Hvað hlutverk Forward Deployed Engineer felur í sér hjá OpenAI
Hvað við gerum, hvernig við vinnum og hvernig við leysum erfiðustu vandamál fyrirtækja til að skila raunverulegum árangri.
Eftir Colin Jarvis, yfirmann verkfræðiþjónustu á vettvangi hjá OpenAI
Þegar Codex kom út spurði einhver í teyminu mig: „Hvað gerum við þegar Codex getur einfaldlega leyst í einni tilraun þau notkunartilvik sem við höfum varið síðustu mánuðum í að þróa?“
Þessi spurning hittir í kjarna þess hvað hlutverk Forward Deployed Engineer felur í sér hjá OpenAI. Við vinnum náið með viðskiptavinum til að skilja erfiðustu vandamál þeirra og þróa lausnir sem þeir geta treyst á. Það sem við lærum mótar vörurnar okkar og gefur rannsóknarteyminu áþreifanleg vandamál til að leysa.
Það eru framfarir. Ef við gerum okkur óþörf á nokkurra mánaða fresti er Forward Deployed Engineer-teymið okkar að sinna hlutverki sínu.
Ég stofnaði teymið snemma árs 2025 til að brúa það sem við köllum „innleiðingarbilið“: bilið á milli þess sem líkön virðast geta gert og þess sem fólk getur áreiðanlega nýtt sér við vinnu sína.
Geta líkananna hefur þróast hraðar en kerfin og ferlarnir sem þarf til að nýta hana. Stundum er það vara sem vantar. Stundum stendur líkan sig vel í viðmiðunarprófi en ræður ekki við verkefnið þegar kemur að breytilegum aðstæðum og takmörkunum í raunveruleikanum.
Við einbeitum okkur að erfiðustu vandamálum viðskiptavinanna. Þar sem líkönin okkar ráða þegar við verkefnið vinnum við með vöruteyminu og viðskiptavininum að því að gera lausnina endurtakanlega. Þar sem þau duga ekki vinnum við með viðskiptavinum og rannsóknarteyminu að því að skilgreina hvað vantar upp á og bæta úr því. Markmiðið er að hvert samstarfsverkefni gefi næsta viðskiptavini betri byrjunarreit. Ef við bætum grunninn svo mikið að viðskiptavinir þurfa ekki sérfræðinga í hlutverki Forward Deployed Engineer til að leysa sams konar vandamál næst höfum við unnið vel.
Áskorun John Deere, 200 ára gamals fyrirtækis í landbúnaði, var að veita fleiri bændum einstaklingsmiðaða ráðgjöf.
Eitt dæmi er See & Spray, tækni fyrirtækisins til markvissrar illgresiseyðingar. Hún notar myndavélar og vélanám til að greina og úða illgresi í stað þess að úða heila akra og getur þannig dregið úr efnanotkun um allt að 70%.
Til að ná þessum ávinningi þurfa bændur þó að kunna að stilla tæknina, skipuleggja ræktunartímabilið og laga vinnubrögð sín að breyttum aðstæðum.
John Deere tók API-viðmót OpenAI í notkun til að geta veitt einstaklingsmiðaða aðstoð í stærri stíl.
Gervigreind getur svarað spurningum bænda á eðlilegu máli, veitt sérsniðnar leiðbeiningar um uppsetningu og ráðleggingar, greint hvenær búnaður skilar hugsanlega ekki fullum afköstum og hjálpað bændum að átta sig á ávinningnum af tækninni.
Tækifærið nær lengra en til einstakra samskipta: að veita viðeigandi leiðsögn í gegnum allt viðskiptasambandið og hjálpa bændum þannig að nýta búnað sinn betur, auka skilvirkni og efla sjálfbærni.
Þetta eru þær áskoranir sem sérfræðingar OpenAI í hlutverki Forward Deployed Engineer vinna að: að hjálpa fyrirtækjum að nýta getu gervigreindar í kerfum sem skila hagnýtum ávinningi við flóknar, raunverulegar aðstæður.
En vandamálin eru oft ómótuð, enginn viðurkenndur mælikvarði er endilega til á rétt svar og engin leiðarvísir liggur fyrir. Allir vilja skapa eitthvað sem hefur aldrei verið til. Færri vilja gera það sem þarf til að komast þangað.
Að finna hæft fólk í hlutverk Forward Deployed Engineer og hækka um leið viðmiðið um hvað telst „nógu gott“ hefur kallað á stöðugar tilraunir og hagnýta vinnu.
Í upphafi hvers fundar með Forward Deployed Engineer-teyminu sýni ég glæru með einu kjarnagildi: „Byrjaðu á markmiðinu, gerðu það sem þarf til að ná árangri og auktu svo umfangið“.
Glæsileg sýnikennsla getur vakið mikla hrifningu löngu áður en einhver spyr hvort lausnin virki í raunveruleikanum.
Okkar hlutverk er að leysa vandamál viðskiptavinarins þannig að við getum staðið við gæði lausnarinnar í rekstri.
Um mitt ár 2025 unnu um 15 sérfræðingar okkar í hlutverki Forward Deployed Engineer með stóru hálfleiðarafyrirtæki að yfir tíu notkunartilvikum. Markmiðið var að gera gervigreind að grunnþætti sannprófunarferlis fyrirtækisins, meðal annars með:
Gerð markvissra prófana
Greiningu grunnorsaka og aflúsun
Aðstoð við kerfishönnun
Sannprófun getur staðið fyrir um 70% af vinnu við verkefni í þessum iðnaði. Tækifærið var gríðarlegt og hægt var að byrja á mörgum stöðum.
Sumir sérfræðinganna í hlutverki Forward Deployed Engineer höfðu hafið störf hjá OpenAI örfáum dögum áður og aldrei unnið við hálfleiðara. Þeir unnu á vettvangi með sannprófunarteymi viðskiptavinarins, kynntu sér flöguhönnun í frítíma sínum og útbjuggu matsprófanir með verkfræðingunum. Þannig könnuðu þeir hvort gervigreindin gæti búið til gagnleg próf og greint bilanir í flögum rétt.
Samhliða þessari þekkingaröflun smíðuðum við sérsniðin kerfi fyrir hvert notkunartilvik. Á fyrstu þremur til sex mánuðunum voru allar lausnirnar komnar í rekstur og fyrstu notendurnir farnir að nýta þær. Árangurinn kom skýrt fram í tölunum:
Um 48% tímasparnaður með gerð markvissra prófana með gervigreind.
22% miðgildisbæting í afköstum með bestun reiknikjarna.
Aflúsun sem tók vikur tók nú aðeins klukkustundir
Þegar við kynntum niðurstöðurnar spurði yfirmaður vélbúnaðarsviðs: „Unnuð þið við flöguhönnun áður en þið komuð hingað?“
Sérfræðingar okkar í hlutverki Forward Deployed Engineer þurfa ekki að þekkja atvinnugreinina frá fyrsta degi, en þeir bera ábyrgð á að kynna sér hana.
Eftir því sem forritunaraðstoð flýtir fyrir hugbúnaðarþróun verður enn mikilvægara að skilja rekstur viðskiptavinarins. Við setjum saman teymi með bæði fólki sem hefur breiða þekkingu og sérfræðingum á einstökum sviðum.
Þú þarft næga þekkingu til að taka vel ígrundaðar ákvarðanir og næga forvitni til að efast um forsendurnar að baki ríkjandi fyrirkomulagi.
Í lífvísindum hjálpar vísindalegur bakgrunnur sérfræðinga okkar í hlutverki Forward Deployed Engineer þeim til dæmis að ávinna sér traust vísindamanna sem vinna að verkefnum á sviði lyfjaþróunar á forklínísku stigi, svo sem við staðfestingu og forgangsröðun líffræðilegra markefna, greiningu genatjáningar og endurgerð efnasmíðaleiða. Þessi sérþekking gerir þeim kleift að leggja upplýst mat á hvernig bæta mætti verkferlana.
Við höfðum sýnt fram á að þessir verkferlar gætu skilað ávinningi, en enn þurfti of mikla sérsniðna samþættingu til að færa hvern þeirra yfir til annars teymis. Næsta áskorun var að halda þessum árangri en gera hugbúnaðinn auðveldari í innleiðingu og viðhaldi.
Þá hafði geta Codex aukist. Einn sérfræðingur í hlutverki Forward Deployed Engineer prófaði að endurbyggja forrit teymisins í kringum Codex. Hann vann síðan með teyminu að því að færa notkunartilvikin yfir í sameiginlegt kerfi með Codex í kjarnanum.
Sérsniðin forrit urðu að viðbótum og færnieiningum sem byggðust á sameiginlegum grunnþáttum Codex. Codex varð einnig viðmótið. Við gátum því lagt af sérstöku notendaviðmótin fyrir útstöðvar og skipanalínuviðmótin sem við höfðum skrifað fyrir einstök notkunartilvik.
Við gátum fjarlægt um 90% af sérsniðnum kóða úr hverju verkefni. Það breytti því hvernig við þróuðum og viðhéldum þessum verkferlum og útvíkkuðum notkun þeirra:
Við gátum nýtt sameiginlegar endurbætur á Codex og þannig dregið úr tengikóðanum sem þurfti fyrir hvert notkunartilvik
Lykilvirkni var pakkað saman í færnieiningar og viðbætur. Þannig varð auðveldara að deila henni milli teyma og láta hæfnimiðstöð gervigreindar stýra henni miðlægt. Þetta þýddi að til að útvíkka lausnina frá einu teymi til annars gat dugað að skipta yfir í ný tengi eða MCP-þjóna, búa til nýjar matsprófanir (sem við höfðum líka færnieiningu fyrir) og hefja notkun.
Í einu dæmi frá ágúst 2026 tók upphaflega innleiðingin tvo mánuði. Það tók einn dag að innleiða lausnina hjá öðru teymi. Eftir því sem umfangið jókst gekk hraðar að koma næstu teymum af stað. Sú þróun hefur haldið áfram: í einu notkunartilviki í ágúst 2026 tók innleiðing hjá öðru teymi einn dag eftir að upphaflega innleiðingin hafði tekið tvo mánuði.
Þetta er ein leið til að gera okkur óþörf. Vinnan við að koma lausninni í rekstur hafði leitt í ljós hvað skipti máli. Eftir því sem undirliggjandi vara batnaði gátum við skipt út stórum hluta sérsniðnu útfærslunnar og haldið ávinningnum sem hún skilaði.
Þess vegna skiptir röðin máli. LLM gera okkur kleift að þróa hratt. Nýta þann hraða til að koma einhverju gagnlegu í hendur notenda, læra hvað stenst við raunverulegar aðstæður og útvíkka svo það sem virkar.
Sama meginregla gildir í öllum samstarfsverkefnum.
OpenAI Presence, varan okkar fyrir tal- og spjallþjónustuaðila fyrir fyrirtæki, varð til vegna raunverulegra innleiðinga viðskiptavina. Verkið hófst með Swarm(opnast í nýjum glugga) og þróaðist í gegnum Agents API, og í dag sér einn viðskiptavinur nú um meira en helming símtala sinna með gervigreind.
Að koma þessum innleiðingum í framleiðslu kenndi okkur hvaða vandamál þurftu sérsniðna lausn og hvaða byggingareiningar önnur teymi gætu notað. Við færðum þessa byggingareiningar inn í Presence, sem auðveldar forriturum að sjálfvirknivæða stýrð vinnuflæði án þess að endurbyggja undirliggjandi innviði. Hver innleiðing hjálpaði til við að móta vöruna og gaf næsta viðskiptavini betri upphafspunkt.
Með Thrive Holdings , OpenAI FDEs og vísindamenn unnu ásamt verkfræðingum og endurskoðendum að því að þróa skattagervigreind fyrir endurskoðunarfyrirtæki á Krít. Í tilraunaverkefninu vann Tax AI úr 7.000 skattframtölum og jók afköstin um 50%.
Ein af erfiðustu áskorununum var sjálfvirkni skila á leigueignum, sem krafðist sex vikna verkfræði- og faglegrar endurskoðunar til að ná 90% nákvæmni og innköllun. Verkið skapaði endurnýtanleg mynstur sem auðveldaði að útvíkka skattgervigreind yfir á önnur flókin skattframtalseyðublöð.
Teymin eru nú að beita sömu aðferðum við bókhald, endurskoðun og upplýsingatækniþjónustu — að byggja upp kerfi sem bæta sig með endurgjöf frá starfsmönnum og raunverulegri notkun.
Stundum gerir betri vara okkur kleift að einfalda það sem við höfum þróað, en stundum ræður líkanið sjálft enn ekki við verkefnið.
Ef við þróum aðeins það sem núverandi líkön ráða þegar við komumst við ekki að því hvaða getu rannsóknarteymið þarf næst að bæta. Þess vegna hefjast mörg mikilvæg samstarfsverkefni okkar við þessi mörk, þar sem viðskiptavinurinn, Forward Deployed Engineer-teymið og rannsóknarteymið skuldbinda sig til að vinna saman að því að yfirstíga þau.
Við höfðum þegar þróað þjónustukerfi í samstarfi við stórt fjarskiptafyrirtæki sem vildi bæta talþjónustu við það.
Símtöl voru um 90% allra erinda til þjónustuversins. Dýrara var að afgreiða þessi erindi sjálfvirkt en erindi í netspjalli. Þeim fylgdu einnig ýmsar nýjar tæknilegar áskoranir: að skilja mismunandi hreim, ná réttum raddblæ og tryggja nægilega stuttan svartíma og mikla nákvæmni fyrir raunverulegan rekstur. Að leysa þetta vel myndi skipta miklu fyrir rekstur fyrirtækisins.
Við afmörkun verkefnisins náði líkanið okkar um 60% árangri á lykilprófunum sem við notuðum til að meta hvort það gæti sinnt verkefninu í rekstri. Við vorum komin að mörkum getu þess. Bæta þurfti eiginleikaköll og getu til að fylgja fyrirmælum við þjónustu við viðskiptavini.
Við útskýrðum þetta fyrir viðskiptavininum og fengum rannsóknarteymið til liðs við okkur. Forward Deployed Engineer-teymið vann með viðskiptavininum að uppbyggingu kerfisins og skilgreindi hvað líkanið þyrfti að geta gert. Rannsóknarteymið vann að því að bæta það sem upp á vantaði. Með hverri nýrri útgáfu líkansins gátum við prófað framfarirnar út frá kröfum viðskiptavinarins.
Á sex mánuðum jókst árangur á lykilprófunum úr um 60% í 80% og síðan í yfir 90%, sem uppfyllti kröfurnar til notkunar í rekstri.
Tallíkanið sem varð til er nú notað í lausn þessa viðskiptavinar, öðrum sérsniðnum þjónustulausnum og stýrðum lausnum í gegnum Presence. Vandamál sem kom upp í rekstri eins viðskiptavinar hjálpaði okkur að greina umbætur sem gætu nýst mörgum öðrum.
Hver þáttur skipti máli. Viðskiptavinurinn skuldbatt sig til að vinna að vandamáli sem líkanið gat ekki enn leyst. Forward Deployed Engineer-teymið vann nógu náið með honum til að afmarka vandamálið, byggja kerfið og leiða verkefnið frá upphafi til enda. Rannsóknarteymið bætti grunngetu líkansins.
Þetta er hin leiðin til að gera okkur óþörf: að hjálpa til við að breyta vandamáli sem líkön dagsins í dag ráða ekki við í verkefni sem líkön framtíðarinnar geta leyst. Ávinningurinn af vinnu okkar nær lengra en til þeirra klukkustunda sem við verjum með hverjum viðskiptavini.
Ég hóf störf hjá OpenAI til að hjálpa til við að gera gervigreind gagnlega í daglegu starfi fólks. Það er enn leiðarljós teymisins. Ég segi oft við teymið að við þróun LLM gildi rakhnífur Ockhams í flestum tilvikum: einfaldasta lausnin sé sú besta. Hjá fyrirtæki sem einkennist af framúrskarandi rannsóknum, í atvinnugrein sem ber keim af ýkjum, viljum við þróa lausnir sem virka áreiðanlega og fólk getur treyst á í störfum sínum.
Markmiðið er að hvert samstarfsverkefni bæti það sem á eftir kemur: vara verði auðveldari í innleiðingu, líkan ráði við erfiðara verkefni eða næsti viðskiptavinur þurfi minni sérsníðingu.
Ef þú stendur frammi fyrir erfiðu vandamáli sem þú vilt leysa viljum við gjarnan vinna með þér. Ef þú vilt hjálpa til við að leysa slík vandamál viljum við gjarnan fá þig til liðs við okkur.
Hvað gerum við þá þegar Codex ræður við það sem við vörðum mánuðum í að þróa?
Finnum erfiðara vandamál.
