Amplitude ngrilis dandan produk ing 1–2 dina nganggo OpenAI
Kanthi dhasar utama model OpenAI, agen produk proaktif saka Amplitude, Wave, ngenali apa sing perlu digawe, mbantu tim ngrilis owah-owahan nganggo agen coding, lan ngukur dampake.
160%
Mundhake interaksi karo agen dibandhingake klompok kontrol sawise sedina
1–2 dina
Prakiraan wektu kanggo ngrilis dandan produk nganggo Wave
51%
Rerata biaya model saben penugasan sing luwih murah kanggo GPT‑6.1 Sol ing evaluasi Agen Sains Data Amplitude.
US$1,34
Biaya model GPT‑6.1 Sol ing evaluasi Panyelidik Peluang Amplitude.
Wiwit biyen, Amplitude mbantu tim mangerteni carane wong nggunakake produke ing kasunyatan. Agen produk proaktif saka Amplitude, Wave, mbantu tim ngowahi wawasan kasebut dadi dandan produk sing bisa dirilis. Miturut Amplitude, udakara 80% Wave didhukung model OpenAI, kalebu GPT‑6.1 Sol, GPT‑6 Luna, lan GPT‑Image‑2.5 Flare. Wave ngowahi wawasan produk dadi rencana implementasi sing bisa dikirim tim menyang agen coding, kalebu Codex, banjur ngukur dampake.
Amplitude ngira Wave bisa mbantu tim ngrilis dandan produk sajrone 1–2 dina, luwih cepet tinimbang sadurunge sing mbutuhake udakara sewulan. Ing kaca ngarepe Amplitude dhewe, Wave mbantu nggawe kertu saran sing dipersonalisasi, saengga pesen sing dikirim liwat kertu mundhak 160%.
“Saiki AI bisa nemokake pakaryan migunani sing durung tau kepikiran bakal ditugasake marang AI. Model-model OpenAI bisa nyelidiki masalah, nulis lan nglakokake kode, banjur nggunakake asile kanggo nemtokake apa sing bakal dicoba sabanjure.”
Wave iku agen produk proaktif saka Amplitude. Tim menehi bagean produk sing kudu digarap, uga sasaran lan metrik sing pengin ditingkatake. Wave nggabungake data Amplitude, rekaman ulang sesi, umpan balik pelanggan, lan kode kanggo ngenali lan nemtokake prioritas peluang, ngembangake solusi, sarta koordinasi implementasi karo manungsa lan agen coding. Banjur Wave nglacak asile lan nggunakake piwulang sing dipikolehi kanggo nuntun dandan sabanjure.
Kanggo ndhukung alur kerja kasebut, Amplitude nggunakake model OpenAI sing beda-beda kanggo saben tugas. GPT‑6.1 Sol ndhukung pangelola peluang lan panyelidikan kode lan data kanthi jero. GPT‑6 Luna nangani tugas sing kerep ditindakake kanthi biaya luwih murah, kayata mindhai kode lan nindakake pamriksan evaluasi cilik. GPT‑Image‑2.5 Flare nggawe mockup produk nganggo gambar layar saka rekaman ulang sesi minangka referensi visual.
Nalika sawijining peluang wis siyap digarap, tim bisa ngirim langsung saka Wave menyang agen coding, kalebu Codex, kanthi rencana teknis lan kriteria panriman kanggo nuntun implementasi.
“Gagasan dhasar Wave yaiku nyedhiyakake platform terpadu kanthi agen sing nlusuri rekaman ulang sesi, analitik, lan kode kanthi jumlah gedhe kanggo nemokake peluang ngapikake produk,” jlentrehe Jacob Newman, Manajer Produk AI Utama ing Amplitude.
Amplitude nguji Wave ing kaca ngarepe dhewe, sing nyedhiyakake kertu saran umum kanggo mbantu pangguna miwiti pacelathon karo agen AI. Wave nemokake yen kertu kasebut kerep diliwati: ing sampel 100 rekaman ulang sesi, 80 pangguna ngetik pitakone dhewe lan mung 12 sing milih saran.
Wave ngusulake supaya kertu dipersonalisasi nganggo grafik utawa dasbor sing bubar dideleng, utawa kaca sing dibukak pangguna sadurunge. Wave nggambarake owah-owahan kasebut lan nggawe rencana teknis, kalebu tetep menehi pilihan ngetik bebas lan nampilake saran umum nalika konteks kanggo personalisasi ora ana. Sawise ditinjau sedhela, tim masrahake pakaryan kasebut menyang agen coding lan nguji owah-owahane nganggo uji A/B.
Ing asil eksperimen sing dituduhake Amplitude, pesen sing dikirim liwat kertu saran ing kaca ngarep mundhak 160% dibandhingake klompok kontrol sawise sedina. “Iki tuladha apik yen bab-bab prasaja sing dudu terobosan lan kerep dilirwakake bisa nambah panganggone fitur kanthi cara sing ora dinyana,” jlentrehe Eric Carlson, Insinyur AI Utama Senior ing Amplitude.
Saben tugas Wave mbutuhake kabisan model sing beda-beda. Panyelidikan sing jero mbutuhake nalar sing kuwat lan dudutan kanthi dhasar bukti sing kukuh. Pamriksan cilik sing dibaleni atusan kaping kudu cepet lan murah. Amplitude ngevaluasi kualitas, latensi, lan biaya saben tugas, banjur milih model sing cocog.
“OpenAI nyedhiyakake model kanthi nalar sing kuwat lan uga model sing luwih cilik lan luwih cepet, mula kita bisa ngimbangi kualitas, latensi, lan biaya inferensi ing saindhenging produk”
Kanggo Panyelidik Peluang Wave, Amplitude ngevaluasi apa model bisa nguwatake temuan nganggo bukti panyengkuyung, ngindhari positif palsu, nggunakake umpan balik evaluator, pulih saka kegagalan alat, lan njaga supaya klaim cocog karo bukti. GPT‑6.1 Sol entuk skor sakabehe 4,06 saka 5, dibandhingake 3,62, 3,52, lan 2,94 kanggo telung model alternatif. Model iki unggul ing kabeh limang kriteria panyelidikan lan nduweni median wektu panyelidikan paling cepet, yaiku 54 menit.
Ing evaluasi kapisah kanggo Agen Sains Data Wave, GPT‑6.1 Sol entuk skor 67,5 saka 100, dibandhingake 69,3 kanggo model unggulan liyane, kanthi rerata biaya model US$1,28 dibandhingake US$2,63 saben penugasan. GPT‑6.1 Sol uga entuk skor luwih dhuwur ing kepatuhan marang kontrak alat, prakiraan lan kahanan sing durung mesthi, sarta pendasaran ing bukti.
Kanggo pakaryan kanthi volume gedhe kayata mindhai kode lan nindakake pamriksan evaluasi cilik, Amplitude nggunakake GPT‑6 Luna supaya latensi lan biaya tetep sithik. Kanthi mbagi pakaryan menyang agen spesialis, tim bisa nggunakake nalar sing luwih larang mung kanggo tugas sing paling mbutuhake.
Kanggo nggawe rancangan kerangka lan mockup, model generasi gambar OpenAI entuk skor 80,3 saka 100 kanggo rancangan kerangka solusi, dibandhingake 63,9 kanggo model generasi gambar liyane. Evaluasi Amplitude nyakup kualitas komunikasi, kecocokan karo produk, kepatuhan marang instruksi, gampang-orane teks lan UI diwaca, sarta keselarasan visual ing 15 peluang.
Pelanggan saka maneka industri wis nggunakake Wave versi beta kanggo ngenali lan ngrilis dandan produk. Wave nganalisis data sesi lan analitik, banjur nyusun rekomendasi kanthi usulan dandan, rencana teknis, lan kriteria panriman.
Saka kono, tim bisa ngatur sepira adohe proses diotomatisasi. Umume tim langsung ngirim dandan bug menyang agen coding, dene fitur anyar lan inisiatif kanthi risiko luwih gedhe ditinjau manungsa.
Kanggo owah-owahan sing pungkasane diluncurake, wektu saka panemuan nganti implementasi bisa cekak: saka eksperimen, flag, lan pandhuan sing diluncurake pelanggan, siji saka papat wis aktif ing dina sing padha nalika Wave nemokake peluange, separone kurang saka patang dina, lan loro saka telu sajrone seminggu.
Diinterpolasi saka titik capaian sing diwenehake; kurva iki mung ilustrasi, dudu asil pengamatan siji-siji.
“Gegayuhan kita karo OpenAI yaiku supaya perusahaan nggawe piranti lunak kanthi wujud produk sing bisa ngapikake awake dhewe,” ujare Skates. Saya apik kabisan nalar lan coding model-model OpenAI, saya akeh pakaryan panyelidikan lan implementasi sing bisa dipasrahake tim marang agen. Pungkasane, produk sing luwih apik bisa tekan pangguna kanthi luwih cepet. Amplitude wis ngrasakake asile: agen nemokake lan mbantu ngrilis dandan ing produke dhewe nalika tim nggarap prioritas liyane. “Aku rumangsa tim-tim bakal kaget karo akehe bab sing bisa dirampungake nalika piranti lunake melu makarya bareng kanggo ngapikake produk.”
