OpenAI-ში მხარდაჭერის გაუმჯობესება ყოველი ინტერაქციით

ეს ჩვენი სერიის ნაწილია, სადაც ვიზიარებთ შიდა მაგალითებს, თუ როგორ იყენებს OpenAI საკუთარ ტექნოლოგიასა და API-ებს. ეს ხელსაწყოები შიდა გამოყენებისთვის, მხოლოდ OpenAI-ში გამოიყენება და აქ წარმოდგენილია, როგორც საილუსტრაციო მაგალითები იმისა, თუ როგორ უჭერს მოწინავე AI მხარს გამოყენების შემთხვევებს ჩვენს გუნდებში. ასევე ვიზიარებთ შიდა ხელსაწყოების სახელებსაც, რათა უფრო მკაფიოდ დავანახოთ, როგორ ეხმარება მოწინავე AI ჩვენს გუნდებს საქმის შესრულებაში.

ისტორიულად, მხარდაჭერა ნიშნავდა რიგებს, ტიკეტებს და მწარმოებლურობას. მაგრამ OpenAI-ში ეს საკმარისი არ იყო. ჩვენ ვემსახურებით ასობით მილიონ მომხმარებელს, ყოველწლიურად ვამუშავებთ მილიონობით მოთხოვნას და ვხედავთ, რომ ეს მოცულობა წლიდან წლამდე მრავალჯერადად იზრდება.

ბევრი ორგანიზაცია უმკლავდება მასშტაბს. უფრო ცოტა — მასშტაბს და ჰიპერზრდას. თითქმის არცერთი არ აწყდება ორივეს ერთდროულად — თან იმავე ტექნოლოგიის შექმნისას, რომელსაც შეუძლია თამაშის წესების შეცვლა. სწორედ ამ კომბინაციამ მოგვცა უნიკალური შესაძლებლობა, მხარდაჭერა საფუძვლებიდანვე თავიდან მოგვეაზრებინა.

მხარდაჭერა მოცულობის გამოწვევა არ არის. ეს საინჟინრო და ოპერაციული დიზაინის გამოწვევაა. ამიტომ შევქმენით რაღაც განსხვავებული: საოპერაციო მოდელი, სადაც ყოველი ინტერაქცია მომდევნოს აუმჯობესებს.

Ops გუნდს სურდა, მხარდაჭერის კითხვების გადასამისამართებლად ჩეთბოტის გამოყენებაზე ბევრად შორს წასულიყო. გუნდს აქვს ხედვა: თავიდან წარმოიდგინოს მხარდაჭერა, როგორც AI-ზე დაფუძნებული საოპერაციო მოდელი, რომელიც უწყვეტად სწავლობს და უმჯობესდება.

ცენტრში სამი ძირითადი სამშენებლო ბლოკია:

• ზედაპირები. ადგილები, სადაც მხარდაჭერის სისტემებთან ინტერაქცია ხდება. ჩათი, ელფოსტა და ტელეფონი, მაგრამ სულ უფრო მეტად — დახმარება, რომელიც პირდაპირ პროდუქტშია ჩაშენებული.
• ცოდნა. არა მხოლოდ სტატიკური დოკუმენტები, არამედ ცოცხალი და უწყვეტად გაუმჯობესებადი გზამკვლევი, რომელიც რეალური საუბრებიდან, პოლიტიკებიდან და კონტექსტიდან მოდის.
• ევალები და კლასიფიკატორები. ხარისხის საერთო განსაზღვრებები, რომლებიც პროგრამულად და ადამიანების მიერ ერთობლივად ყალიბდება, ასევე ხელსაწყოები უკუკავშირის გასაზომად, გასაუმჯობესებლად და გამოსაკვეთად.

ეს ნაწილები იზოლაციაში არ არსებობს. ისინი ქმნიან ციკლს. კორპორატიულ საუბარში აღმოჩენილმა შაბლონმა შეიძლება დეველოპერების FAQ-ის ფორმირებაზე იმოქმედოს. ერთი შემთხვევისთვის დაწერილი ევალი კიდევ ათასებისთვის აძლიერებს მოდელს. და რადგან ყველა ზედაპირს — ჩათს, ელფოსტას, ხმოვან არხებს — ერთი და იგივე პრიმიტივები ამუშავებს, გაუმჯობესებები არხებს შორის ავტომატურად მასშტაბირდება.

მხარდაჭერის წარმომადგენლის როლი იცვლება. ჩვენი მიზანია, მოდელი გადავიყვანოთ იმ ჩარჩოდან, რომელიც ძირითადად ტრანზაქციული სამუშაოს დამუშავებაზეა ორიენტირებული, უფრო ფართო მშენებლობის ნაწილად. მათ ეძლევათ ძალაუფლება, თავად არქიტექტურაში შეიტანონ წვლილი — როგორც პირდაპირ, ქვემოდან ზემოთ ცვლილებების დანერგვით, ისე ირიბად, ყოველდღიური სამუშაო პროცესის ბუნებრივი დინებით.

წარმომადგენლები აღნიშნავენ იმ ინტერაქციებს, რომლებიც სატესტო შემთხვევებად უნდა იქცეს, გვთავაზობენ და ნერგავენ კლასიფიკატორებს, როცა ახალ შაბლონებს ამჩნევენ, და მსუბუქ ავტომატიზაციებსაც კი აპროოტოტიპებენ, რათა სამუშაო პროცესში არსებული ხარვეზები დღეებში დახურონ. იცვლება ტრენინგიც — ის მხოლოდ პოლიტიკებს აღარ ეხება; ახლა ის ინტერაქციების შეფასებას, სტრუქტურული ხარვეზების იდენტიფიცირებას და გაუმჯობესებების უკან დაბრუნებასაც მოიცავს.

ახალი მიდგომა ცდილობს უზრუნველყოს, რომ მხარდაჭერის წარმომადგენლები იყვნენ მშენებლები იმდენადვე, რამდენადაც რეაგირებენ.

შედეგად ვიღებთ მხარდაჭერის ორგანიზაციას, რომელსაც ნაკლებად განსაზღვრავს მწარმოებლურობა და მეტად — მისი ევოლუციის უნარი. თითოეული ადამიანი არა მხოლოდ მომხმარებლებს ემსახურება, არამედ აქტიურად აუმჯობესებს იმ მექანიზმს, რომელიც ყველა მომხმარებელს ემსახურება.

მხარდაჭერის ასე აშენება მხოლოდ იმიტომ არის შესაძლებელი, რომ OpenAI-ის სტეკზე ვდგავართ.

• Agents SDK გვაძლევს ნაბიჯის დონეზე ტრასებსა და დაკვირვებადობას ნაგულისხმევად. შეგვიძლია გაშვებების ხელახლა დაკვრა, ხელსაწყოს გამოძახებების შემოწმება და ძირეული მიზეზების მყისიერად გამართვა.
• Responses API ამუშავებს კლასიფიკატორებს ტონისთვის, სისწორისთვის და პოლიტიკასთან შესაბამისობისთვის.
• Realtime API შესაძლებელს ხდის ხმოვან მხარდაჭერას.
• OpenAI-ის Evals დაფა ხარისხს გაზომვადს ხდის და დროთა განმავლობაში მის ვიზუალიზაციას ამარტივებს.

რადგან პლატფორმის პრიმიტივები მზა სახითაა ხელმისაწვდომი, ნაკლებ დროს ვხარჯავთ სისტემების ერთმანეთთან შეკვრაზე და მეტს — იმაზე კონცენტრირებაში, რაც ნამდვილად მნიშვნელოვანია: კარგის განსაზღვრაზე, მის გაზომვაზე და გაუმჯობესებაზე.

დავიწყეთ მარტივი კითხვა-პასუხის სისტემით, რომელიც კარგად მუშაობდა. Agents SDK-ით სწრაფად გავაფართოვეთ დინამიკურ მოქმედებებზე ისეთი შემთხვევებისთვის, როგორიცაა თანხის დაბრუნება, ინვოისები, ინციდენტების მოძიება. რადგან მოდელები უფრო დიდი კონტექსტური ფანჯრებით, Deep Research-ით და უფრო ძლიერი აგენტური შესაძლებლობებით აგრძელებენ გაუმჯობესებას, ამ წინსვლების დაუყოვნებლივ მიღება შეგვიძლია.

ევალები ყოველდღიურ საუბრებს საწარმოო ტესტებად აქცევს. ისინი აკოდიფიცირებს, რას ნიშნავს „შესანიშნავი“ — არა მხოლოდ პრობლემის გადაჭრას, არამედ ამის თავაზიანად, გასაგებად და თანმიმდევრულად გაკეთებას. წარმომადგენლებს აქ პირდაპირი როლი აქვთ: ისინი აღნიშნავენ ძლიერ და სუსტ მაგალითებს, რომლებიც ევალებად იქცევა, და ეს ევალები უწყვეტად ეშვება წარმოებაში, რათა მოდელის ქცევა წარმართოს.

„როგორც წესი, როცა პრობლემა გაქვს, უბრალოდ გინდა, რაც შეიძლება სწრაფად მიიღო დახმარება. ჩვენი AI ხელსაწყოების გამოყენებით, ამ პასუხებს ბევრად სწრაფად ვიღებთ — და არანაკლებ მნიშვნელოვანია, ვიცით, როდის არ უნდა უპასუხოს მოდელმა“, — ამბობს Jay Patel, პროგრამული უზრუნველყოფის ინჟინერი, მხარდაჭერის ავტომატიზაცია.

სწავლა გადაწყვეტილებით არ ჩერდება. შაბლონები უკან ბრუნდება ცოდნაში, ავტომატიზაციაში და პროდუქტის დიზაინში. სისტემა დაგროვებადია: უფრო სწრაფი პასუხები მომხმარებლებისთვის, უფრო მჭიდრო უკუკავშირის ციკლები შემქმნელებისთვის და ხარისხის თანმიმდევრულად უფრო მაღალი ზღვარი ყველა ზედაპირზე.

და სწავლობს არა მხოლოდ AI. ორგანიზაციაც მასთან ერთად სწავლობს. სპეციალისტები ხედავენ, სად ჩამორჩებიან მოდელები, აყალიბებენ ახალ კლასიფიკატორებს და ფაინ-ტიუნინგისთვის მონაცემთა ნაკრებშიც შეაქვთ წვლილი. დაკვირვებადობის დაფები ხარისხს გაზომვადს ხდის და აჩვენებს, როგორ უმჯობესდება წარმადობა დროთა განმავლობაში.

ყველაზე ღრმა ცვლილება ხელსაწყოები კი არა, ადამიანები და ისაა, თუ როგორ ზომავს ორგანიზაცია წარმატებას. მხარდაჭერის სპეციალისტებს აფასებენ არა მხოლოდ პრობლემების გადაჭრისთვის, არამედ ცოდნის დახვეწისთვის, მოდელების გაუმჯობესებისთვის და თავად სისტემის გაფართოებისთვის. ლიდერები ეძებენ ახალი ტიპის თანაგუნდელს: ადამიანს, რომელიც პირველი ხაზის ემპათიას დიზაინის ინტუიციას უთავსებს და მხარდაჭერის ოსტატობას სისტემის გაუმჯობესების ცნობისმოყვარეობასთან აერთიანებს.

ჩვენი ხედვა კი ისაა, რომ მხარდაჭერა აღარ იყოს ადგილი, სადაც მიდიხარ. ის ქმედებად იქცევა, რომელიც პროდუქტის ყველა ზედაპირშია ჩაქსოვილი. მომხმარებლები „ტიკეტს არ ხსნიან“. ისინი უბრალოდ იღებენ იმას, რაც სჭირდებათ, იქ, სადაც არიან.

რაც მასშტაბზე რეაგირებად დაიწყო, გადაიქცა გეგმად იმისა, თუ როგორ შეუძლიათ ადამიანებს და AI-ს ერთად იმუშაონ: კოლაბორაციულად, ადაპტურად და უწყვეტი გაუმჯობესებით.