Ningkatake dhukungan ing saben interaksi ing OpenAI

Iki minangka bagean saka seri kami sing nuduhake conto internal babagan carane OpenAI nggunakake teknologi lan API-ne dhewe. Piranti iki digunakake sacara internal, mung ing OpenAI, lan dituduhake ing kene minangka conto ilustratif babagan carane AI tercanggih ndhukung macem-macem kasus panggunaan ing tim-tim kami. Kami uga nuduhake jeneng piranti internal supaya luwih cetha kepiye AI tercanggih mbantu tim kami ngrampungake pakaryan.

Dhukungan sacara historis tegesé antrian, tiket, lan kapasitas pangolahan. Nanging ing OpenAI, kuwi ora cukup. Kami nglayani atusan yuta pangguna, nangani mayuta-yuta panjalukan saben taun, lan ndeleng volume iki tuwuh ping pirang-pirang saben taun.

Akeh organisasi ngadhepi skala. Sing luwih sithik ngadhepi skala lan hiperwutah. Meh ora ana sing ngadhepi kalorone—nalika uga mbangun teknologi sing bisa ngowahi kahanan. Kombinasi iki ndadekake kami nduweni posisi unik kanggo mikir ulang dhukungan saka dhasar.

Dhukungan dudu tantangan volume. Iki tantangan desain rekayasa lan operasional. Mula kami mbangun sing beda: model operasi sing saben interaksi nambah apik interaksi sabanjure.

Tim Ops pengin luwih saka mung nggunakake chatbot kanggo nyegah pitakon dhukungan. Tim iki nduweni visi: mbayangake maneh dhukungan minangka model operasi AI sing terus sinau lan nambah.

Ing pusaté ana telung blok bangunan:

• Permukaan. Panggonan sistem dhukungan diinteraksikake. Chat, email, lan telpon, nanging saya suwe, pitulungan uga ditandur langsung ing njero produk.
• Kawruh. Ora mung dokumen statis, nanging pandhuan urip sing terus saya apik, dijupuk saka obrolan nyata, kabijakan, lan konteks.
• Evals lan classifier. Definisi kualitas bareng sing dibangun dening piranti lunak lan manungsa kanthi selaras, plus piranti kanggo ngukur, ningkatake, lan nyorot umpan balik.

Bagéan-bagéan iki ora mapan dhewe-dhewe. Kabeh mbentuk sawijining siklus. Pola sing katon ing obrolan enterprise bisa menehi informasi kanggo FAQ pangembang. Eval sing ditulis kanggo siji kasus nguwatake model kanggo ewu kasus liyane. Lan amarga primitif sing padha nguwasani saben permukaan - chat, email, swara—perbaikan bakal ngrembaka kanthi otomatis ing kabeh saluran.

Peran wakil dhukungan lagi owah. Tujuan kami yaiku nggeser model saka utamane fokus ngolah karya transaksional dadi bagean saka pambangunan sakabèhé. Dheweke diwenehi wewenang kanggo melu nyumbang arsitektur kasebut, kanthi langsung liwat pengiriman owah-owahan saka ngisor munggah lan kanthi ora langsung liwat gerakan alami ing pakaryan saben dinane.

Wakil menehi tandha interaksi sing kudu dadi kasus uji, ngusulake lan ngirim classifier nalika ndeleng pola anyar, lan malah nggawe prototipe otomatisasi entheng kanggo nutup celah alur kerja mung sajrone sawetara dina. Pelatihan uga owah, ora mung babagan kabijakan, nanging uga babagan ngevaluasi interaksi, ngenali celah struktural, lan mbalekake perbaikan.

Pendekatan anyar iki ngupaya njamin manawa wakil dhukungan dadi pembangun sakabehé kaya uga penanggap.

Asilé yaiku organisasi dhukungan sing luwih ditemtokake dudu dening kapasitas pangolahan, nanging dening kapasitasé kanggo terus berkembang. Saben wong ora mung nglayani pangguna nanging uga aktif ningkatake mesin sing nglayani pangguna kabeh.

Mbangun dhukungan kanthi cara iki mung bisa amarga kami dibangun ing ndhuwur stack OpenAI.

• Agents SDK menehi trace tingkat langkah lan observabilitas kanthi gawan. Kami bisa muter ulang run, mriksa panggilan alat, lan debug panyebab utama kanthi langsung.
• Responses API nguwasani classifier kanggo nada, ketepatan, lan kepatuhan marang kabijakan.
• Realtime API ndadekake dhukungan swara bisa ditindakake.
• Dasbor Evals OpenAI ndadekake kualitas bisa diukur lan gampang divisualisasikake saka wektu ke wektu.

Amarga primitif platform wis siyap digunakake, kami luwih sithik ngentekake wektu kanggo njahit sistem dadi siji lan luwih akeh fokus ing pakaryan sing wigati: netepake kaya apa sing apik, ngukure, lan ningkatake.

Kami miwiti nganggo panyedhiya jawaban Q&A sing prasaja lan kerjane apik. Kanthi Agents SDK, kami cepet ngembang menyang tumindak dinamis kanggo prekara kaya refund, invoice, lan telusur insiden. Nalika model terus ningkat kanthi jendhela konteks luwih gedhe, panaliten jero, lan kapabilitas agenik sing luwih kuwat, kami bisa langsung nggunakke kemajuan kasebut.

Evals ngowahi obrolan saben dina dadi tes produksi. Evals ngodifikasi apa tegesé “apik banget”—ora mung ngrampungake masalah, nanging uga nindakake kanthi sopan, cetha, lan konsisten. Wakil nduweni peran langsung ing kene, menehi tandha conto sing kuwat lan sing ringkih kanggo dadi evals, lan evals kuwi mlaku terus-terusan ing produksi kanggo ngarahake prilaku model.

“Biasane nalika sampeyan duwe masalah, sampeyan mung pengin pitulungan sakcepete. Kanthi nggunakake piranti AI kami, kami bisa menehi tanggapan kuwi luwih cepet—lan sing padha penting, kami ngerti kapan model ora kudu mangsuli,” ujare Jay Patel, Insinyur Piranti Lunak, Otomatisasi Dhukungan.

Pembelajaran ora mandheg ing resolusi. Pola bali maneh menyang kawruh, otomatisasi, lan desain produk. Sistem iki akumulatif: jawaban luwih cepet kanggo pangguna, siklus umpan balik sing luwih rapet kanggo para pembangun, lan standar kualitas sing terus luwih dhuwur ing saben permukaan.

Lan sing sinau dudu mung AI. Organisasi uga sinau bebarengan. Spesialis weruh ing ngendi model kurang, mbentuk classifier anyar, lan nyumbang dataset kanggo fine-tuning. Dasbor observabilitas ndadekake kualitas bisa diukur, nuduhake kepiye kinerja saya apik saka wektu ke wektu.

Owahan sing paling jero dudu pirantine, nanging wong-wonge lan carane organisasi ngukur sukses. Spesialis dhukungan diakoni ora mung amarga ngrampungake masalah, nanging uga amarga nyaring kawruh, ningkatake model, lan ngembangake sistemé dhewe. Para pimpinan nggoleki jinis kanca tim anyar: wong sing masangake empati garis depan karo naluri desain, nggabungake keahlian dhukungan karo rasa penasaran kanggo ningkatake sistem.

Lan visi kami yaiku dhukungan ora maneh dadi tujuan sing kudu dituju. Dhukungan dadi tumindak, dirajut menyang saben permukaan produk. Pangguna ora “mbukak tiket.” Dheweke mung entuk sing dibutuhake, ing panggonané.

Apa sing diwiwiti minangka tanggapan marang skala saiki wis dadi cithak biru babagan carane manungsa lan AI bisa kerja bebarengan: kolaboratif, adaptif, lan terus ningkat.