થર્ડ મોમેન્ટ: 36+ કલાક ચાલતા 10,000 એજન્ટ

દરેક કંપનીની પોતાની કાર્યપ્રક્રિયાઓ, સાધનો, અપવાદરૂપ પરિસ્થિતિઓ અને સફળતાની વ્યાખ્યાઓ હોય છે. ⁠(નવી વિન્ડોમાં ખૂલે છે)થર્ડ મોમેન્ટ રિસર્ચ⁠(નવી વિન્ડોમાં ખૂલે છે) માને છે કે શ્રેષ્ઠ એજન્ટ એ ચોક્કસ કામમાં ખૂબ નિપુણ હોવા જોઈએ અને જેમ તેમનો ઉપયોગ વધે તેમ તેમની ક્ષમતાઓ સુધરવી જોઈએ.

આ વિચારને આધારે કંપની જાતે સુધરતી કૃત્રિમ બુદ્ધિમત્તાની પ્રણાલી બનાવી રહી છે. તે એજન્ટની વર્તણૂક સમજવા, વારંવાર સામે આવતી નબળાઈઓ ઓળખવા અને તે સમસ્યાઓને લગતી હજારો કૃત્રિમ પરિસ્થિતિઓ આપમેળે બનાવવા માટે OpenAIનાં નવીનતમ મોડલનો ઉપયોગ કરે છે. ટીમ એજન્ટને સુધારવા માટે આ પરિસ્થિતિઓનો ઉપયોગ કરે છે અને નવી સમસ્યાઓ સામે આવે ત્યારે આ પ્રક્રિયાને ફરી દોહરાવે છે.

Codex, GPT‑6 Astra, GPT‑6 Sol અને GPT‑6.1 Sol આ પ્રણાલીનાં સંશોધન અને ગણનાત્મક કાર્યમાં મદદ કરે છે. તેનાથી થર્ડ મોમેન્ટ 36-48 કલાક ચાલતી તપાસમાં એકસાથે 10,000 એજન્ટ ચલાવી શકે છે. એજન્ટ જે વાતાવરણમાં કામ કરે છે તેની સુરક્ષા ચકાસવા માટે કંપની ડેબ્રેકનો પણ ઉપયોગ કરે છે.

થર્ડ મોમેન્ટે શરૂઆતમાં આ પ્રણાલીનો ઉપયોગ પરિમાણાત્મક નાણાશાસ્ત્રના ક્ષેત્રમાં કર્યો, કારણ કે તેમાં સફળતા માપવાનું સ્પષ્ટ ધોરણ છે. એજન્ટ કેવી રીતે કામ કરે છે અને ક્યાં મુશ્કેલી અનુભવે છે તેનો અભ્યાસ કરવા માટે આ ક્ષેત્ર નક્કર પરિસ્થિતિ પૂરી પાડે છે. ટીમ સંશોધનના વાતાવરણમાં સમસ્યાઓ શોધવા અને ઉકેલવા માટે Codexનો ઉપયોગ કરે છે.

એક કિસ્સામાં, ટીમે તે સમયના નવીનતમ GPT મોડલ GPT‑5.6 સાથે Codexનો ઉપયોગ કર્યો. તેણે અનુકરણમાં નોંધાયેલા હજારો ક્રિયાક્રમોનું—એટલે કે એજન્ટની ક્રિયાઓ અને વાતાવરણના પ્રતિસાદોનું—સમયની નોંધો અને સમગ્ર કોડ સાથે વિશ્લેષણ કર્યું.

Codexએ કાર્ય ધીમું પડવાનું એક કારણ શોધ્યું: અમેરિકી શેરબજારના એક વર્ષના ઓર્ડર-સ્તરના ડેટા પર વેપારની વ્યૂહરચનાનું ઐતિહાસિક પરીક્ષણ કરવામાં કેટલાંક કલાક લાગતા હતા. રાહ જોતી વખતે એજન્ટ વારંવાર તપાસતા કે કામ પૂરું થયું કે નહીં. તેનાથી ટોકન વેડફાતા અને તેમના સંદર્ભમાં સ્થિતિની તપાસો ભરાઈ જતી.

ઐતિહાસિક પરીક્ષણની કામગીરી માપ્યા બાદ અને તેના ઇનપુટ તથા ઉપયોગનું વિશ્લેષણ કર્યા પછી, Codexએ કૅશિંગમાં સુધારો અને મેમરીમાં ડેટાને વધુ સઘન રીતે ગોઠવવાની તકનીક શોધી. તેણે ઉકેલો અજમાવ્યા અને સુધારાને વાસ્તવિક ઉપયોગની પ્રણાલીમાં અમલમાં મૂક્યો. તેનાથી ઐતિહાસિક પરીક્ષણનો સમય આશરે 3 કલાકથી ઘટીને આશરે 3થી 5 મિનિટ થયો. આનાથી ટોકનનો ઉપયોગ અને સંદર્ભમાં બિનજરૂરી માહિતી ઘટી, જેથી એજન્ટ પાસે વધુ પ્રયોગો માટે વધુ ટોકન બચ્યા.

થર્ડ મોમેન્ટ દરેક એજન્ટને ચોક્કસ કામ માટે જરૂરી સાધનો, માહિતી અને વાતાવરણ આપે છે. પરિમાણાત્મક સંશોધન માટે ટીમ ડૉકર આધારિત વાતાવરણમાં Codexની મૂળભૂત કાર્યપ્રણાલી ચલાવે છે. એજન્ટને એક ટેરાબાઇટ ડેટા, દસ્તાવેજો અને સંશોધનની રિપોઝિટરી મળે છે. તેમાં લક્ષણો તૈયાર કરવા, ગ્રાફિક્સ પ્રોસેસરની મદદથી મોડલને તાલીમ આપવા, વેપારની વ્યૂહરચનાઓ અને અનુકરણ માટેનાં ઘટકો હોય છે.

GPT‑6 Astra, GPT‑6 Sol અને GPT‑6.1 Sol রিজনিং પૂરું પાડે છે, જ્યારે Codex કાર્યપ્રણાલી એજન્ટને ક્રિયા કરવા, યોજનાઓ બનાવવા, ઉદ્દેશો નક્કી કરવા, ઉપ-એજન્ટ બનાવવા અને કામ આગળ વધે તેમ સંદર્ભ સંક્ષિપ્ત કરવા માટેનાં સાધનો આપે છે.

કામ પૂરું કરતાં પહેલાં જ અટકી જતા એજન્ટની સમસ્યા ઉકેલવા, થર્ડ મોમેન્ટ GPT‑6 Sol અથવા GPT‑6.1 Solથી સંચાલિત બાહ્ય કાર્યપ્રણાલીમાં Codexને ઉપ-એજન્ટ તરીકે રાખે છે. કામ અધૂરું રહી જાય ત્યારે બાહ્ય કાર્યપ્રણાલી અત્યાર સુધીના ક્રિયાક્રમની તપાસ કરે છે અને ફરી પ્રયાસ કરવો, કામ બંધ કરવું કે માનવીય સમીક્ષા માટે મોકલવું તે નક્કી કરે છે.

સંશોધનના આ વાતાવરણમાં, એજન્ટ થર્ડ મોમેન્ટના ઇજનેરોએ બનાવેલી આધારભૂત વેપાર પ્રણાલીને સુધારવાનું કામ કરે છે. તેઓ ઐતિહાસિક ડેટા પર વેપારની વ્યૂહરચનાઓ ચકાસે છે, સુધારો ખરેખર અર્થપૂર્ણ છે કે માત્ર સંયોગજન્ય વધઘટ છે તેનું મૂલ્યાંકન કરે છે અને દરેક પરિણામના આધારે આગળનો પ્રયોગ પસંદ કરે છે. એડમના જણાવ્યા અનુસાર, તેમના કામથી આધારભૂત વેપાર પ્રણાલીમાં સુધારો થયો છે.

એડમ કહે છે કે GPT‑5.5 પહેલાં મોડલ માત્ર વપરાશકર્તાએ સૂચવેલા પ્રયોગો જ કરી શકતાં હતાં. GPT‑5.5 અને GPT‑5.6 સાથે, Codex કાર્યપ્રણાલીમાં કામ કરતાં મોડલ પરિણામોના આધારે અનુગામી પ્રયોગો ઘડી શકતાં હતાં. હવે GPT‑6 Astra, GPT‑6 Sol અને GPT‑6.1 Sol સાથે એજન્ટ ઉપ-એજન્ટની મદદથી સમાંતર ચાલતા સેંકડો પ્રયોગો દ્વારા મૂળ કારણોની તપાસ કરી શકે છે.

આ પ્રગતિથી એજન્ટ સંશોધનની એવી દિશાઓ શોધી શક્યા છે જેની ટીમે કલ્પના પણ કરી નહોતી. એક સત્રમાં, GPT‑6.1 Solએ એક શેરબજારમાં જાહેર રીતે ન દર્શાવાતા સોદાઓની અસર ઓળખી. ત્યાં કુલ વેપારમાં આવા સોદાઓનો હિસ્સો અપેક્ષા કરતાં ઘણો મોટો હતો. એડમ કહે છે, “આ એવું પરિણામ હતું જે સહેલાઈથી ધ્યાનમાં આવે તેમ નહોતું અને અમારી સંશોધન ટીમે શરૂઆતમાં તેનો વિચાર કર્યો નહોતો.”

થર્ડ મોમેન્ટ કાર્યક્ષમતા સુધારવા, મશીન લર્નિંગ પ્રણાલીઓ અને પરિમાણાત્મક સંશોધન માટે મોડલનું મૂલ્યાંકન કરે છે. તે અત્યાધુનિક મોડલની નવી આવૃત્તિઓને રিজનિંગની સર્વોચ્ચ ગોઠવણી પર ચકાસે છે. તેમાં રિપોઝિટરીમાં જરૂરી માહિતી શોધવાની, કાર્યક્ષમ કોડ લખવાની અને તપાસ સતત ચાલુ રાખવાની તેમની ક્ષમતા માપવામાં આવે છે. હાલનાં પરીક્ષણોમાં GPT‑6 Lunaનો પણ સમાવેશ થાય છે.

એક કસોટીમાં એજન્ટને જીવંત સ્કોર દર્શાવતી સેવાના પરિણામો યથાવત્ રાખીને તેને અદ્યતન કરવામાં થતો વિલંબ ઘટાડવા કહેવામાં આવે છે. પરિણામ સાચું હોવાની શરતે, ટીમ સમાન હાર્ડવેર પર નિષ્ણાતે બનાવેલા ઉકેલના સરેરાશ કાર્યસમયને મોડલના ઉકેલના સરેરાશ કાર્યસમયથી ભાગીને ઝડપમાં થયેલો વધારો માપે છે. એડમના જણાવ્યા અનુસાર, GPT‑6 Astraએ ઝડપમાં સૌથી મોટો વધારો આપ્યો.

ચોક્કસ હેતુનાં કામ માટે, જેમ કે અનુકરણ પ્રણાલીમાં સુરક્ષાની ચોક્કસ નબળાઈઓ તપાસવા, ટીમ GPT‑5.6 Terra જેવાં વધુ કાર્યક્ષમ મોડલનો ઉપયોગ કરે છે. ડીપ રિસર્ચ માટે એડમ માને છે કે વધુ સશક્ત রিজনিং પાછળ ઊંચો ખર્ચ કરવો વાજબી હોઈ શકે છે: “પરિમાણાત્મક નાણાશાસ્ત્રના ક્ષેત્રમાં કોઈ રસપ્રદ સંકેત શોધવાનું મૂલ્ય અત્યંત ઊંચું હોય છે.”

10,000 એજન્ટ સ્વાયત્ત રીતે કામ કરતા હોવાથી, થર્ડ મોમેન્ટને તેનાં સંશોધન વાતાવરણોની સુરક્ષા મોટા પાયે ચકાસવાની રીત જરૂરી છે. અનુકરણો શરૂ થાય તે પહેલાં આ પરીક્ષણ આપમેળે કરવા માટે ટીમ ડેબ્રેક સાયબર સુરક્ષા મંચનો ઉપયોગ કરે છે.

આ પરીક્ષણો ચકાસે છે કે કોઈ એજન્ટ તેના સંશોધન વાતાવરણની મર્યાદાઓ તોડીને બહારના વિસ્તૃત નેટવર્ક સુધી પહોંચી શકે છે કે નહીં. એડમ કહે છે, “ડેબ્રેકનો ઉપયોગ કરીને અમે એજન્ટ પાસે જ અનુકરણમાં ઘૂસણખોરીનું પરીક્ષણ કરાવી શકીએ છીએ અને તેના માળખા તથા સુરક્ષાની ચકાસણી કરાવી શકીએ છીએ.”

થર્ડ મોમેન્ટની મહત્ત્વાકાંક્ષા કંપનીઓ દરરોજ જે વિશિષ્ટ કામ કરે છે ત્યાં સુધી વિસ્તરે છે. છૂટક વેપારી માટે તેનો અર્થ એવો થઈ શકે કે માલનો જથ્થો ઓછો હોય અથવા પુરવઠાકાર મોડું કરે ત્યારે પુરવઠા શૃંખલા અંગે વધુ સારા નિર્ણયો લઈ શકાય. ઇજનેરી ટીમ માટે તેનો અર્થ મોટા કોડસંગ્રહમાં કાર્યક્ષમતા ઘટાડતાં અવરોધો શોધવાનો હોઈ શકે. દસ્તાવેજો પર વધુ આધાર રાખતા વ્યવસાય માટે તેનો અર્થ એ શોધવાનો હોઈ શકે કે એક દસ્તાવેજમાં આપેલી બાંયધરીઓ બીજા દસ્તાવેજમાં નોંધાયેલાં પરિણામો સાથે ક્યાં મેળ ખાતી નથી.

GPT‑6 Astra, GPT‑6 Sol અને GPT‑6.1 Solની রিজনিং ક્ષમતાઓના આધારે, થર્ડ મોમેન્ટ અલગ-અલગ તપાસથી આગળ વધીને સાથે મળીને કામ કરતા લાખો ઉપ-એજન્ટ સુધી વિસ્તરવાની યોજના ધરાવે છે. તેની ભાવિ યોજનામાં એકબીજા પર આધારિત ડઝનબંધ પ્રયોગોની શૃંખલાઓ માટે લાખો કરોડ ટોકન વાપરવાનો સમાવેશ થાય છે. હેતુ એ છે કે નવા પડકારો ઊભા થાય ત્યારે આ સંશોધનના આધારે એજન્ટને સ્વાયત્ત રીતે સુધારી શકાય.

એડમના મતે, આનાથી એજન્ટ કેવી રીતે શીખે અને કામ કરે છે તેને ઘડવાની લોકોની ક્ષમતા વધશે: “માણસો ઘણી વધુ અસરકારક ભૂમિકામાં આવી શકે છે, જ્યાં જાતે સંશોધન કરવાને બદલે તેઓ સંશોધન કેવી રીતે કરવું અને સંશોધનની પ્રક્રિયાને જ કેવી રીતે વધુ સારી બનાવવી તે વિશે વિચારી શકે.”