Ի՞նչ է նշանակում առաջադեմ տեղակայման ինժեներ լինել OpenAI-ում
Ինչ ենք անում, ինչպես ենք աշխատում և լուծում բիզնեսի ամենաբարդ խնդիրները՝ իրական արդյունքի հասնելու համար։
Հեղինակ՝ Քոլին Ջարվիս, OpenAI-ի առաջադեմ տեղակայման ինժեներիայի ղեկավար
Երբ թողարկվեց Codex-ը, թիմից մեկն ինձ հարցրեց․ «Ի՞նչ ենք անելու, երբ Codex-ը մեկ փորձով լուծի այն խնդիրները, որոնց լուծումները կառուցում էինք վերջին մի քանի ամիսներին։»
Այս հարցը դիպուկ բացահայտում է առաջադեմ տեղակայման ինժեների դերի էությունը OpenAI-ում։ Մենք աշխատում ենք հաճախորդների կողքին՝ հասկանալու նրանց ամենաբարդ խնդիրները և կառուցելու լուծումներ, որոնց նրանք կարող են վստահել։ Մեր ձեռք բերած գիտելիքներն օգնում են ձևավորել պրոդուկտները և հետազոտական թիմին տալիս են լուծման ենթակա կոնկրետ խնդիրներ։
Սա է առաջընթացը։ Եթե յուրաքանչյուր երկու ամիսը մեկ մեր միջամտությունն այլևս անհրաժեշտ չէ, ուրեմն մեր առաջադեմ տեղակայման ինժեներների թիմն իր գործն անում է։
Ես թիմը հիմնադրեցի 2025 թվականի սկզբին՝ հաղթահարելու այն, ինչ անվանում ենք «ներդրման բաց»․ տարբերությունը մոդելների թվացյալ կարողությունների և այն բանի միջև, ինչը մարդիկ կարող են հուսալիորեն կիրառել իրենց աշխատանքում։
Մոդելների կարողությունները զարգացել են ավելի արագ, քան դրանք կիրառելու համար անհրաժեշտ համակարգերն ու գործընթացները։ Երբեմն պակասող օղակը պրոդուկտն է։ Երբեմն մոդելը լավ արդյունք է ցույց տալիս չափորոշիչ թեստում, բայց չի կարող կատարել առաջադրանքը՝ հաշվի առնելով իրական կյանքի փոփոխականներն ու սահմանափակումները։
Մենք կենտրոնանում ենք հաճախորդների ամենաբարդ խնդիրների վրա։ Այնտեղ, որտեղ մեր մոդելներն այսօր կարող են կատարել առաջադրանքը, մենք պրոդուկտի թիմի և հաճախորդի հետ աշխատում ենք լուծումը բազմակի կիրառելի դարձնելու ուղղությամբ։ Իսկ որտեղ դրանք դեռ բավարար չեն, հաճախորդների և հետազոտական թիմի հետ հստակեցնում ենք բացն ու կատարում բարելավումներ։ Մեր նպատակն է յուրաքանչյուր համագործակցությամբ հաջորդ հաճախորդի համար ավելի լավ մեկնարկային հիմք ապահովել։ Եթե բազային մակարդակն այնքան բարձրացնենք, որ հաջորդ անգամ այս կարգի խնդիր լուծելու համար հաճախորդներն առաջադեմ տեղակայման ինժեներների կարիք չունենան, ուրեմն մեր գործը լավ ենք արել։
Գյուղատնտեսության ոլորտում 200 տարվա պատմություն ունեցող John Deere ընկերության խնդիրն էր անհատականացված խորհրդատվությունը հասանելի դարձնել ավելի շատ ֆերմերների։
Օրինակներից մեկը See & Spray-ն է՝ մոլախոտերի դեմ ճշգրիտ պայքարի տեխնոլոգիան, որը տեսախցիկների և մեքենայական ուսուցման միջոցով ճանաչում ու ցողում է մոլախոտերը՝ ամբողջ դաշտը մշակելու փոխարեն, և քիմիական նյութերի օգտագործումը նվազեցնում մինչև 70%-ով։
Սակայն այդ օգուտները ստանալու համար ֆերմերները պետք է իմանան՝ ինչպես կարգավորել տեխնոլոգիան, պլանավորել սեզոնի աշխատանքները և փոխել գործելակերպը՝ պայմանների փոփոխությանը համընթաց։
John Deere-ը ներդրեց OpenAI-ի API-ները՝ այդ աջակցությունն անհատականացնելու և դրա հասանելիությունն ընդլայնելու համար։
ԱԲ-ն կարող է բնական լեզվով պատասխանել ֆերմերների հարցերին, տրամադրել նրանց կարիքներին հարմարեցված կարգավորման ուղեցույցներ ու առաջարկություններ, պարզել, թե երբ սարքավորումը չի օգտագործում իր ողջ ներուժը, և օգնել ֆերմերներին հասկանալ տեխնոլոգիայից ստացվող օգուտը։
Այս հնարավորությունը չի սահմանափակվում մեկ առանձին շփմամբ․ այն թույլ է տալիս համապատասխան ուղղորդում տրամադրել հաճախորդի հետ աշխատանքի ողջ ընթացքում՝ օգնելով ֆերմերներին ավելի լավ օգտագործել սարքավորումները և բարձրացնել արդյունավետությունն ու բնապահպանական կայունությունը։
Հենց այսպիսի խնդիրներ են լուծում OpenAI-ի առաջադեմ տեղակայման ինժեներները՝ օգնելով կազմակերպություններին ԱԲ-ի կարողություններից անցնել այնպիսի համակարգերի, որոնք գործնական արժեք են ստեղծում իրական աշխարհի բարդ պայմաններում։
Բայց հաճախ խնդիրների լուծման ուղիները բոլորովին անհայտ են, կարող է չլինել ճշտությունը ստուգելու հաստատված հիմք, և պատրաստի ուղեցույց չկա։ Բոլորը ցանկանում են ստեղծել մի բան, որը երբեք չի եղել։ Ավելի քչերն են պատրաստ անել այն ամենը, ինչ պետք է դրան հասնելու համար։
Տաղանդավոր առաջադեմ տեղակայման ինժեներներ գտնելը և միաժամանակ «բավական լավի» շեմը բարձրացնելը պահանջել են մշտական փորձարկումներ ու գործնական կիրառում։
Առաջադեմ տեղակայման ինժեներների թիմի յուրաքանչյուր հանդիպման սկզբում ես ցուցադրում եմ մեկ հիմնարար արժեքով սլայդ․ «Սկսեք ցանկալի արդյունքից, արեք այն ամենը, ինչ անհրաժեշտ է հաջողության համար, ապա ընդլայնեք կիրառման մասշտաբը»։
Տպավորիչ ցուցադրությունը կարող է մեծ հաջողություն ունենալ դեռ նախքան որևէ մեկը կհարցնի՝ արդյոք այն աշխատում է իրական պայմաններում։
Մեր գործը հաճախորդի խնդիրը լուծելն է այնպիսի որակով, որի համար կարող ենք պատասխանատվություն ստանձնել իրական շահագործման պայմաններում։
2025 թվականի կեսերին մեր մոտ 15 առաջադեմ տեղակայման ինժեներներն աշխատում էին կիսահաղորդիչների ոլորտի խոշոր հաճախորդի հետ՝ կիրառման ավելի քան 10 սցենարի վրա։ Նպատակն էր նրանց ստուգման գործընթացը կառուցել ԱԲ-ի շուրջ՝ ընդգրկելով հետևյալը․
Թիրախային թեստերի ստեղծում
Խորքային պատճառների վերլուծություն և վրիպազերծում
Ճարտարապետության նախագծման օգնական
Այս ոլորտում ստուգմանը կարող է բաժին ընկնել նախագծի աշխատանքային ծավալի մոտ 70%-ը։ Հնարավորությունները հսկայական էին, և սկսելու բազմաթիվ ուղղություններ կային։
Առաջադեմ տեղակայման ինժեներներից ոմանք OpenAI-ին էին միացել ընդամենը օրեր առաջ և երբևէ չէին աշխատել կիսահաղորդիչների ոլորտում։ Նրանք միացան հաճախորդի ստուգման թիմի առօրյա աշխատանքին, ազատ ժամանակ ուսումնասիրում էին չիպերի նախագծումը և ինժեներների հետ ստեղծում գնահատման թեստեր՝ ստուգելու, թե արդյոք ԱԲ-ն կարող է օգտակար թեստեր ստեղծել ու ճիշտ ախտորոշել չիպերի խափանումները։
Սովորելուն զուգահեռ՝ մենք առանձին կիրառման սցենարների համար հատուկ հարմարեցված հարնեսներ էինք կառուցում։ Առաջին 3–6 ամսում բոլոր լուծումները գործարկվեցին, և առաջին օգտատերերը սկսեցին կիրառել դրանք։ Աշխատանքի արդյունքը տեսանք ցուցանիշներում․
Ժամանակի մոտ 48% խնայողություն՝ ԱԲ-ով թիրախային թեստերի ստեղծման շնորհիվ։
Արտադրողականության 22% մեդիանային աճ՝ հաշվարկային միջուկի օպտիմալացման շնորհիվ։
Շաբաթներ տևող վրիպազերծումն ավարտվում էր ժամերի ընթացքում
Երբ ներկայացրինք այս ամենը, սարքավորումների գծով տնօրենը հարցրեց․ «Այստեղ գալուց առաջ դուք չիպերի նախագծո՞ղ եք աշխատել։»
Մեր առաջադեմ տեղակայման ինժեներներից չի պահանջվում առաջին իսկ օրը ճանաչել ոլորտը, բայց այն սովորելը նրանց պարտականությունն է։
Քանի որ ծրագրավորման օգնականներն արագացնում են ծրագրային ապահովման ստեղծումը, հաճախորդի բիզնեսը հասկանալը դառնում է է՛լ ավելի կարևոր։ Մենք ձևավորում ենք թիմեր՝ համատեղելով լայն մասնագիտական ընդգրկում ունեցող մասնագետներին և ոլորտային փորձագետներին։
Հիմնավոր որոշումներ կայացնելու համար անհրաժեշտ են բավարար գիտելիքներ և բավարար հետաքրքրասիրություն՝ առկա գործելակերպի մասին ենթադրությունները կասկածի տակ դնելու համար։
Օրինակ՝ կենսագիտության ոլորտում մեր առաջադեմ տեղակայման ինժեներների գիտական պատրաստվածությունն օգնում է նրանց շահել այն հետազոտողների վստահությունը, որոնք դեղերի հայտնաբերման նախակլինիկական փուլում զբաղվում են թիրախների հաստատմամբ ու առաջնահերթությունների սահմանմամբ, գեների էքսպրեսիայի վերլուծությամբ և քիմիական սինթեզի ուղիների վերականգնմամբ։ Այդ փորձագիտությունը թույլ է տալիս նրանց հիմնավոր առաջարկներ ներկայացնել այդ աշխատանքային գործընթացների բարելավման վերաբերյալ։
Մենք ցույց էինք տվել, որ այս աշխատանքային գործընթացները կարող են արժեք ստեղծել, բայց դրանցից յուրաքանչյուրը մեկ այլ թիմում կիրառելու համար դեռ չափազանց մեծ ծավալի անհատական ինտեգրում էր պահանջվում։ Հաջորդ խնդիրն էր պահպանել այդ արդյունքները՝ միաժամանակ հեշտացնելով ծրագրային ապահովման տեղակայումն ու սպասարկումը։
Այդ ընթացքում Codex-ի հնարավորություններն ընդլայնվել էին։ Առաջադեմ տեղակայման ինժեներներից մեկը փորձեց իրենց հավելվածը վերակառուցել դրա շուրջ, ապա թիմի հետ կիրառման սցենարները տեղափոխեց ընդհանուր հարնեսի վրա, որի հիմքում Codex-ն էր։
Հատուկ մշակված հավելվածները դարձան փլագիններ ու հմտություններ՝ կառուցված Codex-ի ընդհանուր բազային բաղադրիչների վրա։ Codex-ը դարձավ նաև միջերեսը՝ թույլ տալով հրաժարվել տերմինալի առանձին միջերեսներից ու հրամանային տողի միջերեսներից, որոնք գրել էինք կիրառման առանձին սցենարների համար։
Մենք կարողացանք յուրաքանչյուր նախագծից հեռացնել հատուկ գրված կոդի մոտ 90%-ը, և դա փոխեց այս աշխատանքային գործընթացները կառուցելու, սպասարկելու և դրանց կիրառման մասշտաբն ընդլայնելու մեր եղանակը․
Մենք կարող էինք օգտվել Codex-ի կենտրոնացված բարելավումներից՝ նվազեցնելով յուրաքանչյուր կիրառման սցենարում բաղադրիչներն իրար կապելու համար անհրաժեշտ կոդի ծավալը
Հիմնական գործառույթները փաթեթավորվեցին որպես հմտություններ ու փլագիններ՝ հեշտացնելով դրանց փոխանակումը և ԱԲ-ի գերազանցության կենտրոնի կողմից կենտրոնացված կառավարումը։ Սա նշանակում էր, որ լուծումը մի թիմից մյուսին տարածելու համար կարող էր բավարար լինել նոր միակցիչներ/MCP սերվերներ միացնելը, նոր գնահատման թեստեր ստեղծելը (ինչի համար նույնպես հմտություն ունեինք) և աշխատանքը սկսելը։
2026 թվականի օգոստոսի մի օրինակում նախնական ներդրումը տևել էր երկու ամիս։ Լուծումը երկրորդ թիմում ներդնելու համար պահանջվեց մեկ օր։ Կիրառման ծավալների ընդլայնմանը զուգահեռ հաջորդ թիմերն ավելի արագ էին միանում։ Այս միտումը շարունակվեց․ 2026 թվականի օգոստոսին մի կիրառման սցենարի ներդրումը երկրորդ թիմում տևեց 1 օր, մինչդեռ նախնական ներդրումը պահանջել էր 2 ամիս։
Սա մեր միջամտությունն այլևս ոչ անհրաժեշտ դարձնելու տարբերակներից մեկն է։ Լուծումն իրական շահագործման հասցնելու աշխատանքը ցույց էր տվել, թե ինչն է կարևոր։ Հիմքում ընկած պրոդուկտի կատարելագործմանը զուգահեռ մենք կարող էինք փոխարինել մեր հատուկ մշակած լուծման զգալի մասը՝ պահպանելով դրա ստեղծած արժեքը։
Ահա թե ինչու է հերթականությունը կարևոր։ LLM-ները մեզ թույլ են տալիս արագ ստեղծել։ Օգտագործեք այդ արագությունը՝ օգտատերերին արժեքավոր բան տրամադրելու համար, պարզեք, թե ինչն է իրեն արդարացնում գործնականում, ապա ընդլայնեք աշխատող լուծումների կիրառումը։
Նույն սկզբունքը գործում է բոլոր համագործակցություններում։
OpenAI Presence-ը՝ մեր արտադրանքը ձեռնարկությունների ձայնային և զրուցարանային ագենտների համար, ստեղծվել է իրական հաճախորդների տեղակայումների հիման վրա։ Աշխատանքը սկսվեց Swarm-(բացվում է նոր պատուհանում) ից և զարգացավ Ագենտների API և այսօր մեկ հաճախորդ իր զանգերի կեսից ավելին մշակում է արհեստական բանականությամբ։
Այդ տեղակայումները արտադրության մեջ մտցնելը մեզ սովորեցրեց, թե որ խնդիրներին է անհրաժեշտ անհատական լուծում, և որ բաղադրիչները կարող են օգտագործել այլ թիմերը։ Մենք այդ կառուցվածքային բլոկները ներդրեցինք Presence-ում՝ մշակողների համար հեշտացնելով կարգավորվող աշխատանքային հոսքերի ավտոմատացումը՝ առանց հիմքում ընկած ենթակառուցվածքը վերակառուցելու։ Յուրաքանչյուր տեղակայում նպաստեց արտադրանքի ձևավորմանը և հաջորդ հաճախորդին տվեց ավելի լավ մեկնարկային կետ։
Հետ Thrive Holdings-ը, OpenAI-ի հաշվապահական ծրագրերի ղեկավարները և հետազոտողները համագործակցել են ինժեներների և հաշվապահների հետ՝ Կրետեի հաշվապահական ընկերությունների համար հարկային արհեստական բանականություն ստեղծելու համար։ Փորձնական ծրագրի ընթացքում Tax AI-ը մշակել է 7000 հարկային հաշվետվություն և մոտ 50%-ով մեծացրել է արտադրողականությունը։
Ամենադժվար մարտահրավերներից մեկը վարձակալված անշարժ գույքի հաշվետվությունների ավտոմատացումն էր, որը պահանջեց վեց շաբաթվա ինժեներական և մասնագիտական ուսումնասիրություն՝ 90% ճշգրտության և հետկանչելիության հասնելու համար։ Աշխատանքը ստեղծեց վերաօգտագործելի կաղապարներ, որոնք հեշտացրին հարկային արհեստական բանականության ընդլայնումը այլ բարդ հարկային գրաֆիկների վրա։
Թիմերն այժմ կիրառում են նույն մոտեցումը հաշվապահության, աուդիտի և ՏՏ աջակցության նկատմամբ՝ կառուցելով համակարգեր, որոնք կատարելագործվում են մասնագետների հետադարձ կապի և իրական աշխարհում կիրառման միջոցով։
Երբեմն ավելի լավ պրոդուկտը թույլ է տալիս պարզեցնել մեր կառուցածը, բայց երբեմն մոդելն ինքը դեռ չի կարող կատարել առաջադրանքը։
Եթե կառուցենք միայն այն, ինչ արդեն հնարավոր է այսօրվա մոդելներով, չենք բացահայտի մտավոր կարողությունների այն բացերը, որոնք հետազոտական թիմը պետք է լրացնի հաջորդիվ։ Ուստի մեր կարևոր համագործակցություններից շատերը սկսվում են հենց այդ սահմաններից․ հաճախորդը, առաջադեմ տեղակայման ինժեներներն ու հետազոտական թիմը պատրաստակամ են միասին հաղթահարելու դրանք։
Հեռահաղորդակցության ոլորտի խոշոր հաճախորդի հետ մենք արդեն մշակել էինք հաճախորդների սպասարկման հարթակ, և նրանք ցանկանում էին այն ընդլայնել՝ ավելացնելով ձայնային սպասարկում։
Ձայնային զանգերը կազմում էին նրանց հաճախորդների սպասարկման ծավալի մոտ 90%-ը։ Այս դիմումներն առանց աշխատակցի միջամտության լուծելն ավելի ծախսատար էր, քան չաթում, և առաջացնում էր նոր տեխնիկական խնդիրներ․ անհրաժեշտ էր առոգանության ճանաչումը, խոսքի տոնը, արձագանքման արագությունն ու ճշգրտությունը հասցնել իրական շահագործման համար բավարար մակարդակի։ Այս խնդրի հաջող լուծումը զգալի ազդեցություն կունենար նրանց բիզնեսի վրա։
Աշխատանքի շրջանակը սահմանելիս մեր մոդելը մոտ 60% արդյունք էր ցույց տալիս հիմնական գնահատման թեստերում, որոնցով ստուգում էինք՝ արդյոք այն կարող է կատարել առաջադրանքն իրական շահագործման պայմաններում։ Մենք հասել էինք դրա հնարավորությունների սահմանին։ Հաճախորդների սպասարկման սցենարներում անհրաժեշտ էր բարելավել գործառույթի կանչն ու հրահանգների կատարումը։
Մենք դա բացատրեցինք հաճախորդին և աշխատանքում ներգրավեցինք հետազոտական թիմին։ Առաջադեմ տեղակայման ինժեներները հաճախորդի հետ կառուցեցին հարթակը և սահմանեցին, թե ինչ պետք է անի մոդելը։ Հետազոտական թիմն աշխատում էր մոդելի կարողությունների բացերը լրացնելու ուղղությամբ, իսկ մոդելի հաջորդական տարբերակները թույլ էին տալիս ստուգել առաջընթացը՝ ըստ հաճախորդի պահանջների։
Վեց ամսում հիմնական գնահատման թեստերի արդյունքները մոտ 60%-ից հասան 80%-ի, ապա՝ ավելի քան 90%-ի՝ ապահովելով իրական շահագործման համար անհրաժեշտ մակարդակը։
Արդյունքում ստեղծված ձայնային մոդելն այժմ գործարկում է այդ հաճախորդի լուծումը, հաճախորդների սպասարկման այլ անհատականացված լուծումներ, ինչպես նաև Presence-ի միջոցով կառավարվող ներդրումները։ Մեկ հաճախորդի բիզնեսում հանդիպած խնդիրը օգնեց բացահայտել բարելավումներ, որոնք կարող էին օգտակար լինել շատ ուրիշների համար։
Յուրաքանչյուր կողմի ներդրումը կարևոր էր։ Հաճախորդը հանձն առավ աշխատել մի խնդրի վրա, որը մոդելը դեռ չէր կարող լուծել։ Առաջադեմ տեղակայման ինժեներները սերտ համագործակցությամբ կարողացան հստակ ձևակերպել խնդիրը, կառուցել հարթակը և ղեկավարել աշխատանքը սկզբից մինչև վերջ։ Հետազոտական թիմը բարելավեց հիմքում ընկած մոդելի կարողությունները։
Սա մեր միջամտությունն այլևս ոչ անհրաժեշտ դարձնելու մյուս տարբերակն է․ օգնել, որ այսօրվա մոդելների համար անլուծելի խնդիրն ապագա մոդելների համար դառնա հասանելի կարողություն։ Մեր աշխատանքի արդյունքը չի սահմանափակվում որևէ մեկ հաճախորդի հետ անցկացրած ժամերով։
Ես միացա OpenAI-ին՝ օգնելու ԱԲ-ն օգտակար դարձնել մարդկանց առօրյա աշխատանքում։ Դա մինչ օրս ուղղորդում է թիմին։ Ես հաճախ եմ թիմին ասում, որ LLM-ների մշակման մեջ շատ դեպքերում գործում է Օքամի ածելու սկզբունքը․ ամենապարզ լուծումն ամենալավն է։ Աշխատելով առաջատար հետազոտություններով հայտնի ընկերությունում և չափազանցություններով վարկաբեկված ոլորտում՝ մենք ցանկանում ենք ստեղծել հուսալի լուծումներ, որոնց վրա կարող են հենվել գործնական աշխատանք կատարող մարդիկ։
Նպատակն այն է, որ յուրաքանչյուր համագործակցություն բարելավի հաջորդի պայմանները՝ ավելի հեշտ տեղակայվող պրոդուկտով, ավելի բարդ առաջադրանք կատարող մոդելով կամ հաջորդ հաճախորդի համար անհրաժեշտ հատուկ մշակման ավելի փոքր ծավալով։
Եթե ունեք բարդ խնդիր, որը ցանկանում եք լուծել, սիրով կհամագործակցենք ձեզ հետ։ Եթե ցանկանում եք օգնել լուծել այդ խնդիրները, ուրախ կլինենք ձեզ տեսնել մեր թիմում։
Այսպիսով, ի՞նչ ենք անում, երբ Codex-ը կարողանում է կատարել այն աշխատանքը, որի լուծումը կառուցելու վրա ամիսներ ենք ծախսել։
Գտնում ենք ավելի բարդ խնդիր։
