OpenAI ಯಲ್ಲಿ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಪಾತ್ರವೇನು
ನಮ್ಮ ಕೆಲಸ, ಕಾರ್ಯವಿಧಾನ ಮತ್ತು ನೈಜ ಪರಿಣಾಮಕ್ಕಾಗಿ ಉದ್ಯಮಗಳ ಕಠಿಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ರೀತಿ.
ಲೇಖನ: ಕಾಲಿನ್ ಜಾರ್ವಿಸ್, OpenAI ಯ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮುಖ್ಯಸ್ಥ
Codex ಬಿಡುಗಡೆಯಾದಾಗ ತಂಡದ ಒಬ್ಬರು ನನ್ನನ್ನು ಕೇಳಿದರು, “ಕಳೆದ ಕೆಲವು ತಿಂಗಳುಗಳಿಂದ ನಾವು ನಿರ್ಮಿಸುತ್ತಿದ್ದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳನ್ನು Codex ಒಂದೇ ಪ್ರಯತ್ನದಲ್ಲಿ ಸಾಧಿಸಿಬಿಟ್ಟರೆ ನಾವು ಏನು ಮಾಡಬೇಕು?”
OpenAI ಯಲ್ಲಿ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಆಗಿರುವುದರ ಅರ್ಥದ ತಿರುಳನ್ನೇ ಈ ಪ್ರಶ್ನೆ ಮುಟ್ಟುತ್ತದೆ. ನಾವು ಗ್ರಾಹಕರೊಂದಿಗೆ ಸೇರಿ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ, ಅವರ ಅತ್ಯಂತ ಕಠಿಣ ಸಮಸ್ಯೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ಅವರು ನಂಬಿ ಬಳಸಬಹುದಾದ ಪರಿಹಾರಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ. ನಾವು ಕಲಿತದ್ದು ನಮ್ಮ ಉತ್ಪನ್ನಗಳನ್ನು ರೂಪಿಸಲು ನೆರವಾಗುತ್ತದೆ ಮತ್ತು ಸಂಶೋಧನಾ ತಂಡಕ್ಕೆ ಪರಿಹರಿಸಬೇಕಾದ ಸ್ಪಷ್ಟ ಸಮಸ್ಯೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಅದೇ ಪ್ರಗತಿ. ಪ್ರತಿ ಒಂದೆರಡು ತಿಂಗಳಿಗೊಮ್ಮೆ ನಮ್ಮ ನೆರವಿನ ಅಗತ್ಯವೇ ಇಲ್ಲದಂತೆ ಮಾಡುತ್ತಿದ್ದರೆ, ನಮ್ಮ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ತಂಡ ತನ್ನ ಕೆಲಸವನ್ನು ಸರಿಯಾಗಿ ಮಾಡುತ್ತಿದೆ ಎಂದರ್ಥ.
ನಾವು “ಅಳವಡಿಕೆಯ ಅಂತರ” ಎಂದು ಕರೆಯುವ ಸಮಸ್ಯೆಯನ್ನು ನೀಗಿಸಲು ನಾನು 2025ರ ಆರಂಭದಲ್ಲಿ ಈ ತಂಡವನ್ನು ಸ್ಥಾಪಿಸಿದೆ. ಮಾಡೆಲ್‌ಗಳಿಗೆ ಇರುವಂತೆ ಕಾಣುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಜನರು ತಮ್ಮ ಕೆಲಸಕ್ಕಾಗಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಬಳಸಬಹುದಾದ ಸಾಮರ್ಥ್ಯದ ನಡುವಿನ ಅಂತರವೇ ಇದು.
ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಕೆಗೆ ತರಲು ಬೇಕಾದ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳಿಗಿಂತ ಅವುಗಳ ಸಾಮರ್ಥ್ಯಗಳು ವೇಗವಾಗಿ ಮುಂದುವರಿದಿವೆ. ಕೆಲವೊಮ್ಮೆ ಕೊರತೆಯಾಗಿರುವುದು ಒಂದು ಉತ್ಪನ್ನ. ಕೆಲವೊಮ್ಮೆ ಮಾಡೆಲ್ ಮಾನದಂಡ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಚೆನ್ನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೂ, ನೈಜ ಬದುಕಿನ ಬದಲಾಗುವ ಅಂಶಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳ ನಡುವೆ ಕೆಲಸ ನಿಭಾಯಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.
ನಾವು ಗ್ರಾಹಕರ ಅತ್ಯಂತ ಕಠಿಣ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತೇವೆ. ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ಇಂದು ಕೆಲಸ ನಿಭಾಯಿಸಬಲ್ಲ ಕಡೆಗಳಲ್ಲಿ, ಅದೇ ಪರಿಹಾರವನ್ನು ಮತ್ತೆ ಬಳಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಉತ್ಪನ್ನ ತಂಡ ಮತ್ತು ಗ್ರಾಹಕರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ. ಅವುಗಳ ಸಾಮರ್ಥ್ಯ ಸಾಲದ ಕಡೆಗಳಲ್ಲಿ, ಕೊರತೆಯನ್ನು ಗುರುತಿಸಿ ಸುಧಾರಣೆ ತರಲು ಗ್ರಾಹಕರು ಮತ್ತು ಸಂಶೋಧನಾ ತಂಡದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ. ಪ್ರತಿ ಸಹಯೋಗವೂ ಮುಂದಿನ ಗ್ರಾಹಕರಿಗೆ ಉತ್ತಮ ಆರಂಭಿಕ ನೆಲೆ ಒದಗಿಸಬೇಕು ಎಂಬುದು ನಮ್ಮ ಗುರಿ. ಮುಂದಿನ ಬಾರಿ ಇದೇ ಬಗೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಗ್ರಾಹಕರಿಗೆ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳ ಅಗತ್ಯವೇ ಬೀಳದ ಮಟ್ಟಕ್ಕೆ ಮೂಲ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸಿದರೆ, ನಾವು ನಮ್ಮ ಕೆಲಸವನ್ನು ಚೆನ್ನಾಗಿ ಮಾಡಿದ್ದೇವೆ ಎಂದರ್ಥ.
200 ವರ್ಷಗಳ ಇತಿಹಾಸವಿರುವ ಕೃಷಿ ಉದ್ಯಮವಾದ John Deere ಎದುರಿಸಿದ್ದ ಸವಾಲು, ರೈತರಿಗೆ ವೈಯಕ್ತಿಕ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕ ಸಲಹೆಯನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ನೀಡುವುದು ಹೇಗೆ ಎಂಬುದಾಗಿತ್ತು.
ಇದರ ಒಂದು ಉದಾಹರಣೆ ಅದರ ನಿಖರ ಕಳೆ ನಿಯಂತ್ರಣ ತಂತ್ರಜ್ಞಾನ ಹೊಂದಿರುವ See & Spray. ಇದು ಕ್ಯಾಮೆರಾಗಳು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಕ ಕಳೆಗಳನ್ನು ಗುರುತಿಸಿ ಅವುಗಳ ಮೇಲಷ್ಟೇ ಸಿಂಪಡಿಸುತ್ತದೆ. ಇಡೀ ಹೊಲಕ್ಕೆ ಸಿಂಪಡಿಸುವ ಅಗತ್ಯ ತಪ್ಪುವುದರಿಂದ ರಾಸಾಯನಿಕ ಬಳಕೆ 70%ರವರೆಗೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
ಆದರೆ ಈ ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆಯಲು, ತಂತ್ರಜ್ಞಾನವನ್ನು ಹೇಗೆ ಹೊಂದಿಸಬೇಕು, ಬೆಳೆಯ ಋತುವಿಗೆ ಹೇಗೆ ಯೋಜಿಸಬೇಕು ಮತ್ತು ಪರಿಸ್ಥಿತಿಗಳು ಬದಲಾದಂತೆ ತಮ್ಮ ಪದ್ಧತಿಗಳನ್ನು ಹೇಗೆ ಬದಲಿಸಬೇಕು ಎಂಬುದು ರೈತರಿಗೆ ತಿಳಿದಿರಬೇಕು.
ಈ ನೆರವನ್ನು ವೈಯಕ್ತಿಕ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಒದಗಿಸಲು John Deere, OpenAI ಯ API ಗಳನ್ನು ಅಳವಡಿಸಿತು.
AI ಯು ರೈತರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಸಹಜ ಭಾಷೆಯಲ್ಲಿ ಉತ್ತರಿಸಬಹುದು, ಅವರ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಸಾಧನಗಳ ಹೊಂದಾಣಿಕೆಯ ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ನೀಡಬಹುದು, ಉಪಕರಣಗಳು ತಮ್ಮ ಪೂರ್ಣ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸದ ಸಂದರ್ಭಗಳನ್ನು ಗುರುತಿಸಬಹುದು ಮತ್ತು ತಂತ್ರಜ್ಞಾನದಿಂದ ಸಿಗುತ್ತಿರುವ ಪ್ರಯೋಜನವನ್ನು ರೈತರು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೆರವಾಗಬಹುದು.
ಈ ಅವಕಾಶವು ಒಂದೇ ಸಂವಹನಕ್ಕೆ ಸೀಮಿತವಲ್ಲ: ಗ್ರಾಹಕರ ಅನುಭವದ ಉದ್ದಕ್ಕೂ ಸೂಕ್ತ ಮಾರ್ಗದರ್ಶನ ನೀಡಿ, ರೈತರು ತಮ್ಮ ಉಪಕರಣಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲು ನೆರವಾಗುವುದರ ಜೊತೆಗೆ ದಕ್ಷತೆ ಮತ್ತು ಸುಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.
OpenAI ಯ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳು ಪರಿಹರಿಸಲು ಶ್ರಮಿಸುವುದು ಇಂತಹ ಸವಾಲುಗಳನ್ನೇ: AI ಯ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸಂಕೀರ್ಣ ನೈಜ ಪರಿಸರಗಳಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಪ್ರಯೋಜನ ನೀಡುವ ವ್ಯವಸ್ಥೆಗಳಾಗಿ ರೂಪಿಸಲು ಸಂಸ್ಥೆಗಳಿಗೆ ನೆರವಾಗುವುದು.
ಆದರೆ ಈ ಸಮಸ್ಯೆಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಪಷ್ಟ ಮಿತಿಗಳಿರುವುದಿಲ್ಲ, ಸರಿ ಎಂದು ಒಪ್ಪಿಕೊಂಡ ಆಧಾರಸತ್ಯವೂ ಇಲ್ಲದಿರಬಹುದು, ಸಿದ್ಧ ಮಾರ್ಗಸೂಚಿಯಂತೂ ಇರುವುದಿಲ್ಲ. ಹಿಂದೆಂದೂ ಅಸ್ತಿತ್ವದಲ್ಲಿರದದ್ದನ್ನು ನಿರ್ಮಿಸಲು ಎಲ್ಲರೂ ಬಯಸುತ್ತಾರೆ. ಆದರೆ ಅಲ್ಲಿಗೆ ತಲುಪಲು ಬೇಕಾದುದನ್ನು ಮಾಡಲು ಬಯಸುವವರು ಕಡಿಮೆ.
“ಇಷ್ಟು ಸಾಕು” ಎನ್ನುವ ಕನಿಷ್ಠ ಗುಣಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸುತ್ತಲೇ ಪ್ರತಿಭಾವಂತ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳನ್ನು ಹುಡುಕಲು, ನಿರಂತರ ಪ್ರಯೋಗ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯ ಬೇಕಾಗಿದೆ.
ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ತಂಡದ ಪ್ರತಿ ಸಭೆಯ ಆರಂಭದಲ್ಲಿ ನಾನು ಒಂದು ಮುಖ್ಯ ಮೌಲ್ಯವಿರುವ ಸ್ಲೈಡ್ ತೋರಿಸುತ್ತೇನೆ: “ಬೇಕಾದ ಫಲಿತಾಂಶದಿಂದ ಆರಂಭಿಸಿ, ಯಶಸ್ವಿಯಾಗಲು ಬೇಕಾದುದನ್ನು ಮಾಡಿ, ನಂತರ ವ್ಯಾಪಕಗೊಳಿಸಿ”.
ಆಕರ್ಷಕ ಪ್ರಾತ್ಯಕ್ಷಿಕೆಯೊಂದು ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆಯೇ ಎಂದು ಯಾರಾದರೂ ಕೇಳುವ ಮೊದಲೇ ಸಾಕಷ್ಟು ಮೆಚ್ಚುಗೆ ಗಳಿಸಬಹುದು.
ನೈಜ ಬಳಕೆಯಲ್ಲಿ ನಾವು ಭರವಸೆ ನೀಡಬಲ್ಲ ಗುಣಮಟ್ಟದಲ್ಲಿ ಗ್ರಾಹಕರ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವುದೇ ನಮ್ಮ ಕೆಲಸ.
2025ರ ಮಧ್ಯದಲ್ಲಿ, ನಮ್ಮ ಸುಮಾರು 15 ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳು ದೊಡ್ಡ ಸೆಮಿಕಂಡಕ್ಟರ್ ಸಂಸ್ಥೆಯೊಂದರ ಜೊತೆ 10ಕ್ಕೂ ಹೆಚ್ಚು ಬಳಕೆಯ ಸಂದರ್ಭಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರು. ಅವರ ಪರಿಶೀಲನಾ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲದಲ್ಲೇ AI ಅನ್ನು ಅಳವಡಿಸುವುದು ಗುರಿಯಾಗಿತ್ತು. ಅದರ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಇವು ಸೇರಿದ್ದವು:
ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶದ ಪರೀಕ್ಷೆಗಳ ರಚನೆ
ಮೂಲ ಕಾರಣದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ದೋಷ ನಿವಾರಣೆ
ವಿನ್ಯಾಸ ರಚನೆಯ ಸಹಾಯಕ
ಈ ಉದ್ಯಮದಲ್ಲಿ ಯೋಜನೆಯ ಒಟ್ಟು ಶ್ರಮದ ಸುಮಾರು 70% ಪರಿಶೀಲನೆಗೇ ಬೇಕಾಗಬಹುದು. ಇಲ್ಲಿ ಅಪಾರ ಅವಕಾಶವಿತ್ತು ಮತ್ತು ಹಲವು ಕಡೆಗಳಿಂದ ಕೆಲಸ ಆರಂಭಿಸಬಹುದಿತ್ತು.
ಕೆಲವು ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳು ಕೆಲವೇ ದಿನಗಳ ಹಿಂದೆ OpenAI ಗೆ ಸೇರಿದ್ದರು; ಸೆಮಿಕಂಡಕ್ಟರ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ಹಿಂದೆಂದೂ ಕೆಲಸ ಮಾಡಿರಲಿಲ್ಲ. ಅವರು ಗ್ರಾಹಕರ ಪರಿಶೀಲನಾ ತಂಡದ ಭಾಗವಾಗಿ ಕೆಲಸ ಮಾಡಿದರು, ಬಿಡುವಿನ ವೇಳೆಯಲ್ಲಿ ಚಿಪ್ ವಿನ್ಯಾಸವನ್ನು ಅಧ್ಯಯನ ಮಾಡಿದರು. AI ಯು ಉಪಯುಕ್ತ ಪರೀಕ್ಷೆಗಳನ್ನು ರಚಿಸಬಲ್ಲದೇ ಮತ್ತು ಚಿಪ್ ವೈಫಲ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ಪತ್ತೆಹಚ್ಚಬಲ್ಲದೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು ಇಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಸೇರಿ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ರೂಪಿಸಿದರು.
ಈ ಕಲಿಕೆಯ ಜೊತೆಗೆ, ಪ್ರತಿ ಬಳಕೆಯ ಸಂದರ್ಭಕ್ಕೂ ಪ್ರತ್ಯೇಕವಾಗಿ ಹೊಂದಿಸಿದ ಪೂರಕ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಿದೆವು. ಮೊದಲ 3–6 ತಿಂಗಳಲ್ಲೇ ಅವೆಲ್ಲವೂ ಉತ್ಪಾದನೆಗೊಂಡವು ಮತ್ತು ಆರಂಭಿಕ ಬಳಕೆದಾರರು ಅವುಗಳನ್ನು ಬಳಸತೊಡಗಿದರು. ಈ ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ನಮ್ಮ ಶ್ರಮದ ಫಲ ಕಂಡಿತು:
AI ಆಧಾರಿತ ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶದ ಪರೀಕ್ಷೆಗಳ ರಚನೆಯಿಂದ ಸುಮಾರು 48% ಸಮಯ ಉಳಿತಾಯ.
ಕರ್ನಲ್ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸುಧಾರಣೆಯ ಮಧ್ಯಕ ಮೌಲ್ಯ 22%.
ವಾರಗಟ್ಟಲೆ ಹಿಡಿಯುತ್ತಿದ್ದ ದೋಷ ನಿವಾರಣೆ ಕೆಲವೇ ಗಂಟೆಗಳಲ್ಲಿ ಪೂರ್ಣ
ನಾವು ಈ ಎಲ್ಲ ಫಲಿತಾಂಶಗಳನ್ನು ವಿವರಿಸಿದಾಗ, ಮುಖ್ಯ ಹಾರ್ಡ್‌ವೇರ್ ಅಧಿಕಾರಿ ಕೇಳಿದರು, “ಇಲ್ಲಿಗೆ ಬರುವ ಮೊದಲು ನೀವು ಚಿಪ್ ವಿನ್ಯಾಸಕಾರರಾಗಿ ಕೆಲಸ ಮಾಡಿದ್ದೀರಾ?”
ನಮ್ಮ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳಿಗೆಮೊದಲ ದಿನವೇ ಉದ್ಯಮದ ಅರಿವು ಇರಬೇಕಿಲ್ಲ, ಆದರೆ ಅದನ್ನು ಕಲಿಯುವುದು ಅವರ ಜವಾಬ್ದಾರಿ.
ಕೋಡಿಂಗ್ ಸಹಾಯಕಗಳಿಂದ ತಂತ್ರಾಂಶ ನಿರ್ಮಾಣ ವೇಗಗೊಂಡಂತೆ, ಗ್ರಾಹಕರ ವ್ಯವಹಾರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಇನ್ನಷ್ಟು ಮುಖ್ಯವಾಗುತ್ತದೆ. ನಾವು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳ ಜ್ಞಾನವಿರುವವರು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರದ ತಜ್ಞರು ಒಟ್ಟಿಗಿರುವ ತಂಡಗಳನ್ನು ಕಟ್ಟುತ್ತೇವೆ.
ವಿವೇಚನಾಯುಕ್ತ ನಿರ್ಧಾರಗಳನ್ನು ಕೈಗೊಳ್ಳಲು ಸಾಕಷ್ಟು ಜ್ಞಾನವೂ, ಪ್ರಚಲಿತ ವ್ಯವಸ್ಥೆಯ ಕುರಿತ ಊಹೆಗಳನ್ನು ಪ್ರಶ್ನಿಸುವಷ್ಟು ಕುತೂಹಲವೂ ಬೇಕು.
ಉದಾಹರಣೆಗೆ, ಜೀವ ವಿಜ್ಞಾನದಲ್ಲಿ ನಮ್ಮ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳ ವೈಜ್ಞಾನಿಕ ಹಿನ್ನೆಲೆಯು ಸಂಶೋಧಕರ ವಿಶ್ವಾಸ ಗಳಿಸಲು ನೆರವಾಗುತ್ತದೆ. ಈ ಸಂಶೋಧಕರು ವೈದ್ಯಕೀಯ ಪ್ರಯೋಗಪೂರ್ವ ಔಷಧ ಅನ್ವೇಷಣೆಯ ಭಾಗವಾಗಿ ಗುರಿಗಳ ದೃಢೀಕರಣ ಮತ್ತು ಆದ್ಯತೆ ನಿರ್ಧಾರ, ಜೀನ್ ಅಭಿವ್ಯಕ್ತಿ ವಿಶ್ಲೇಷಣೆ ಹಾಗೂ ರಾಸಾಯನಿಕ ಸಂಶ್ಲೇಷಣಾ ಮಾರ್ಗಗಳ ಪುನರ್‌ರಚನೆಯಂತಹ ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತಾರೆ. ಈ ಪರಿಣತಿಯಿಂದಾಗಿ, ಆ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು ಎಂಬುದರ ಕುರಿತು ತಿಳಿವಳಿಕೆಯುಳ್ಳ ಅಭಿಪ್ರಾಯ ನೀಡಲು ಅವರಿಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಈ ಕಾರ್ಯಪ್ರವಾಹಗಳು ಪ್ರಯೋಜನ ನೀಡಬಲ್ಲವು ಎಂದು ನಾವು ತೋರಿಸಿದ್ದೆವು. ಆದರೆ ಪ್ರತಿಯೊಂದನ್ನೂ ಮತ್ತೊಂದು ತಂಡಕ್ಕೆ ವಿಸ್ತರಿಸಲು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಪ್ರತ್ಯೇಕ ಏಕೀಕರಣ ಕೆಲಸ ಬೇಕಾಗುತ್ತಿತ್ತು. ಆ ಫಲಿತಾಂಶಗಳನ್ನು ಉಳಿಸಿಕೊಂಡೇ ತಂತ್ರಾಂಶದ ಅಳವಡಿಕೆ ಮತ್ತು ನಿರ್ವಹಣೆಯನ್ನು ಸುಲಭಗೊಳಿಸುವುದು ಮುಂದಿನ ಸವಾಲಾಗಿತ್ತು.
ಅಷ್ಟರಲ್ಲಾಗಲೇ Codex ನ ಸಾಮರ್ಥ್ಯ ಹೆಚ್ಚಿತ್ತು. ಒಬ್ಬ ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಅದನ್ನು ಆಧರಿಸಿ ತಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಮರುನಿರ್ಮಿಸುವ ಪ್ರಯೋಗ ಮಾಡಿದರು. ಬಳಿಕ ತಂಡದೊಂದಿಗೆ ಸೇರಿ, Codex ಅನ್ನು ಕೇಂದ್ರವಾಗಿಟ್ಟುಕೊಂಡ ಸಾಮಾನ್ಯ ಪೂರಕ ವ್ಯವಸ್ಥೆಗೆ ಬಳಕೆಯ ಸಂದರ್ಭಗಳನ್ನು ವರ್ಗಾಯಿಸಿದರು.
ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸಿದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಸಾಮಾನ್ಯ Codex ಮೂಲ ಘಟಕಗಳ ಮೇಲೆ ರೂಪಿಸಿದ ಪ್ಲಗಿನ್‌ಗಳು ಮತ್ತು ಕೌಶಲ್ಯಗಳಾಗಿ ಬದಲಾದವು. Codex ಬಳಕೆದಾರ ಇಂಟರ್‌ಫೇಸ್ ಕೂಡ ಆಯಿತು. ಇದರಿಂದ ಪ್ರತಿಯೊಂದು ಬಳಕೆಯ ಸಂದರ್ಭಕ್ಕೂ ನಾವು ಬರೆದಿದ್ದ ಪ್ರತ್ಯೇಕ ಟರ್ಮಿನಲ್ ಬಳಕೆದಾರ ಇಂಟರ್‌ಫೇಸ್‌ಗಳು ಮತ್ತು ಕಮಾಂಡ್-ಲೈನ್ ಇಂಟರ್‌ಫೇಸ್‌ಗಳನ್ನು ತೆಗೆದುಹಾಕಲು ಸಾಧ್ಯವಾಯಿತು.
ಪ್ರತಿ ಯೋಜನೆಯಿಂದಲೂ ಪ್ರತ್ಯೇಕವಾಗಿ ಬರೆದ ಕೋಡ್‌ನ ಸುಮಾರು 90% ತೆಗೆದುಹಾಕಲು ನಮಗೆ ಸಾಧ್ಯವಾಯಿತು. ಇದು ಈ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ನಿರ್ಮಿಸುವ, ನಿರ್ವಹಿಸುವ ಮತ್ತು ವಿಸ್ತರಿಸುವ ನಮ್ಮ ವಿಧಾನವನ್ನು ಬದಲಿಸಿತು:
Codex ನಲ್ಲಿ ಕೇಂದ್ರೀಯವಾಗಿ ಮಾಡಿದ ಸುಧಾರಣೆಗಳ ಲಾಭ ನಮಗೂ ಸಿಕ್ಕಿತು. ಇದರಿಂದ ಪ್ರತಿ ಬಳಕೆಯ ಸಂದರ್ಭಕ್ಕೂ ವಿವಿಧ ಭಾಗಗಳನ್ನು ಜೋಡಿಸಲು ಬೇಕಾಗುವ ಕೋಡ್ ಪ್ರಮಾಣ ಕಡಿಮೆಯಾಯಿತು
ಪ್ರಮುಖ ಕಾರ್ಯಸಾಮರ್ಥ್ಯಗಳನ್ನು ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಪ್ಲಗಿನ್‌ಗಳಾಗಿ ಒಗ್ಗೂಡಿಸಲಾಯಿತು. ಇದರಿಂದ ಅವುಗಳನ್ನು ಪರಸ್ಪರ ಹಂಚಿಕೊಳ್ಳುವುದು ಮತ್ತು AI CoE ಮೂಲಕ ಕೇಂದ್ರೀಯವಾಗಿ ನಿಯಂತ್ರಿಸುವುದು ಸುಲಭವಾಯಿತು. ಹೀಗಾಗಿ ಒಂದು ತಂಡದಿಂದ ಮತ್ತೊಂದಕ್ಕೆ ವಿಸ್ತರಿಸಲು ಹೊಸ ಕನೆಕ್ಟರ್‌ಗಳು/MCP ಸರ್ವರ್‌ಗಳನ್ನು ಜೋಡಿಸಿ, ಹೊಸ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ರೂಪಿಸಿ, ಕೆಲಸ ಆರಂಭಿಸಿದರೆ ಸಾಕಾಗುತ್ತಿತ್ತು. ಮೌಲ್ಯಮಾಪನಗಳ ರಚನೆಗೂ ನಮ್ಮಲ್ಲಿ ಒಂದು ಕೌಶಲ್ಯವಿತ್ತು.
2026 ರ ಆಗಸ್ಟ್‌ನ ಒಂದು ಉದಾಹರಣೆಯಲ್ಲಿ, ಆರಂಭಿಕ ಅಳವಡಿಕೆಗೆ ಎರಡು ತಿಂಗಳು ಬೇಕಾಯಿತು. ಅದೇ ಪರಿಹಾರವನ್ನು ಎರಡನೇ ತಂಡಕ್ಕೆ ವಿಸ್ತರಿಸಲು ಒಂದು ದಿನ ಸಾಕಾಯಿತು. ನಾವು ವ್ಯಾಪ್ತಿ ಹೆಚ್ಚಿಸಿದಂತೆ ಮುಂದಿನ ತಂಡಗಳು ಇನ್ನಷ್ಟು ಬೇಗ ಬಳಕೆ ಆರಂಭಿಸಿದವು. ಇದು ಮುಂದುವರಿದಿದೆ: 2026 ರ ಆಗಸ್ಟ್‌ನ ಒಂದು ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಆರಂಭಿಕ ಅಳವಡಿಕೆಗೆ 2 ತಿಂಗಳು ಹಿಡಿದರೆ, ಎರಡನೇ ತಂಡಕ್ಕೆ ಕೇವಲ 1 ದಿನ ಸಾಕಾಯಿತು.
ನಮ್ಮ ನೆರವಿನ ಅಗತ್ಯವೇ ಇಲ್ಲದಂತೆ ಮಾಡುವ ಒಂದು ವಿಧಾನ ಇದು. ನೈಜ ಬಳಕೆಯ ಹಂತ ತಲುಪಲು ನಾವು ಮಾಡಿದ ಕೆಲಸವು ಯಾವುದು ಮುಖ್ಯ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿತ್ತು. ಆಧಾರಭೂತ ಉತ್ಪನ್ನ ಸುಧಾರಿಸಿದಂತೆ, ನಾವು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸಿದ್ದ ವ್ಯವಸ್ಥೆಯ ಬಹುಭಾಗವನ್ನು ಬದಲಿಸಿಯೂ ಅದು ನೀಡುತ್ತಿದ್ದ ಪ್ರಯೋಜನವನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಯಿತು.
ಅದಕ್ಕೇ ಈ ಕ್ರಮ ಮುಖ್ಯ. LLM ಗಳು ವೇಗವಾಗಿ ನಿರ್ಮಿಸಲು ನೆರವಾಗುತ್ತವೆ. ಆ ವೇಗವನ್ನು ಬಳಸಿ ಉಪಯುಕ್ತವಾದುದನ್ನು ಬಳಕೆದಾರರ ಕೈಗೆ ನೀಡಿ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಯಾವುದು ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿಯಿರಿ, ಬಳಿಕ ಯಶಸ್ವಿಯಾದುದನ್ನು ವ್ಯಾಪಕಗೊಳಿಸಿ.
ಎಲ್ಲ ಸಹಯೋಗಗಳಿಗೂ ಇದೇ ತತ್ವ ಅನ್ವಯಿಸುತ್ತದೆ.
ಎಂಟರ್‌ಪ್ರೈಸ್ ಧ್ವನಿ ಮತ್ತು ಚಾಟ್ ಏಜೆಂಟ್‌ಗಳಿಗಾಗಿ ನಮ್ಮ ಉತ್ಪನ್ನವಾದ OpenAI Presence, ನಿಜವಾದ ಗ್ರಾಹಕ ನಿಯೋಜನೆಗಳಿಂದ ಬೆಳೆದಿದೆ. ಕೆಲಸವು Swarm(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಯಿತು ಮತ್ತು ಏಜೆಂಟ್ಸ್ API ಮೂಲಕ ವಿಕಸನಗೊಂಡಿತು ಮತ್ತು ಇಂದು ಒಬ್ಬ ಗ್ರಾಹಕರು ತಮ್ಮ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಕರೆಗಳನ್ನು AI ಮೂಲಕ ನಿರ್ವಹಿಸುತ್ತಾರೆ.
ಆ ನಿಯೋಜನೆಗಳನ್ನು ಉತ್ಪಾದನೆಗೆ ಸೇರಿಸುವುದರಿಂದ ಯಾವ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಸ್ಟಮ್ ಪರಿಹಾರದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಇತರ ತಂಡಗಳು ಯಾವ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ನಮಗೆ ಕಲಿಸಲಾಯಿತು. ನಾವು ಆ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಪ್ರೆಸೆನ್ಸ್‌ಗೆ ತಂದಿದ್ದೇವೆ, ಇದರಿಂದಾಗಿ ಡೆವಲಪರ್‌ಗಳು ಆಧಾರವಾಗಿರುವ ಮೂಲಸೌಕರ್ಯವನ್ನು ಪುನರ್ನಿರ್ಮಿಸದೆ ನಿಯಂತ್ರಿತ ಕೆಲಸದ ಹರಿವುಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಸುಲಭವಾಯಿತು. ಪ್ರತಿಯೊಂದು ನಿಯೋಜನೆಯು ಉತ್ಪನ್ನವನ್ನು ರೂಪಿಸಲು ಸಹಾಯ ಮಾಡಿತು ಮತ್ತು ಮುಂದಿನ ಗ್ರಾಹಕರಿಗೆ ಉತ್ತಮ ಆರಂಭಿಕ ಹಂತವನ್ನು ನೀಡಿತು.
ಜೊತೆ ಕ್ರೀಟ್‌ನ ಲೆಕ್ಕಪತ್ರ ಸಂಸ್ಥೆಗಳಿಗೆ ತೆರಿಗೆ AI ಅನ್ನು ನಿರ್ಮಿಸಲು Thrive Holdings, OpenAI ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್‌ಗಳು ಮತ್ತು ಸಂಶೋಧಕರು ಎಂಜಿನಿಯರ್‌ಗಳು ಮತ್ತು ಲೆಕ್ಕಪತ್ರಗಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿದರು. ತನ್ನ ಪ್ರಾಯೋಗಿಕ ಅವಧಿಯಲ್ಲಿ, ತೆರಿಗೆ AI 7,000 ತೆರಿಗೆ ರಿಟರ್ನ್‌ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿತು ಮತ್ತು ಥ್ರೂಪುಟ್ ಅನ್ನು ಸುಮಾರು 50% ಹೆಚ್ಚಿಸಿತು.
ಬಾಡಿಗೆ-ಆಸ್ತಿ ರಿಟರ್ನ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು ಅತ್ಯಂತ ಕಠಿಣ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದಾಗಿತ್ತು, ಇದಕ್ಕೆ 90% ನಿಖರತೆ ಮತ್ತು ಮರುಸ್ಥಾಪನೆಯನ್ನು ತಲುಪಲು ಆರು ವಾರಗಳ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ವೃತ್ತಿಪರರ ವಿಮರ್ಶೆಯ ಅಗತ್ಯವಿತ್ತು. ಈ ಕೆಲಸವು ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ರಚಿಸಿತು, ಅದು ತೆರಿಗೆ AI ಅನ್ನು ಇತರ ಸಂಕೀರ್ಣ ತೆರಿಗೆ ವೇಳಾಪಟ್ಟಿಗಳಿಗೆ ವಿಸ್ತರಿಸಲು ಸುಲಭಗೊಳಿಸಿತು.
ತಂಡಗಳು ಈಗ ಅದೇ ವಿಧಾನವನ್ನು ಬುಕ್ಕೀಪಿಂಗ್, ಆಡಿಟ್ ಮತ್ತು ಐಟಿ ಬೆಂಬಲಕ್ಕೂ ಅನ್ವಯಿಸುತ್ತಿವೆ - ವೃತ್ತಿಪರರ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಬಳಕೆಯ ಮೂಲಕ ಸುಧಾರಿಸುವ ಕಟ್ಟಡ ವ್ಯವಸ್ಥೆಗಳು.
ಕೆಲವೊಮ್ಮೆ ಉತ್ತಮ ಉತ್ಪನ್ನವು ನಾವು ನಿರ್ಮಿಸಿದ್ದನ್ನು ಸರಳಗೊಳಿಸಲು ನೆರವಾಗುತ್ತದೆ. ಆದರೆ ಕೆಲವೊಮ್ಮೆ ಮಾಡೆಲ್‌ಗೇ ಆ ಕೆಲಸ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಇನ್ನೂ ಇರುವುದಿಲ್ಲ.
ಇಂದಿನ ಮಾಡೆಲ್‌ಗಳು ಈಗಾಗಲೇ ಸಾಧ್ಯವಾಗಿಸಿರುವುದನ್ನಷ್ಟೇ ನಾವು ನಿರ್ಮಿಸಿದರೆ, ಸಂಶೋಧನಾ ತಂಡ ಮುಂದೆ ನೀಗಿಸಬೇಕಾದ ಬುದ್ಧಿಮತ್ತೆಯ ಕೊರತೆಗಳು ಬೆಳಕಿಗೆ ಬರುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ ನಮ್ಮ ಹಲವು ಪ್ರಮುಖ ಸಹಯೋಗಗಳು ಈ ಮಿತಿಗಳಲ್ಲೇ ಆರಂಭವಾಗುತ್ತವೆ. ಗ್ರಾಹಕರು, ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಮತ್ತು ಸಂಶೋಧನಾ ತಂಡ ಒಟ್ಟಾಗಿ ಅವುಗಳನ್ನು ಮೀರುವ ಕೆಲಸಕ್ಕೆ ಬದ್ಧರಾಗಿರುತ್ತಾರೆ.
ನಮ್ಮ ಗ್ರಾಹಕರಾದ ದೊಡ್ಡ ದೂರಸಂಪರ್ಕ ಸಂಸ್ಥೆಯೊಂದಿಗೆ ನಾವು ಈಗಾಗಲೇ ಗ್ರಾಹಕ ಸೇವಾ ವೇದಿಕೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೆವು. ಅದನ್ನು ಧ್ವನಿ ಸೇವೆಗಳಿಗೂ ವಿಸ್ತರಿಸಲು ಅವರು ಬಯಸಿದ್ದರು.
ಅವರ ಗ್ರಾಹಕ ಸೇವಾ ಸಂವಹನಗಳಲ್ಲಿ ಸುಮಾರು 90% ಧ್ವನಿ ಕರೆಗಳಾಗಿದ್ದವು. ಚಾಟ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಈ ಪ್ರಕರಣಗಳನ್ನು ಮಾನವ ಪ್ರತಿನಿಧಿಗಳಿಗೆ ವರ್ಗಾಯಿಸದೆ ನಿಭಾಯಿಸುವುದು ಹೆಚ್ಚು ವೆಚ್ಚದಾಯಕವಾಗಿತ್ತು. ಉಚ್ಚಾರಣಾ ಶೈಲಿಗಳು, ಧ್ವನಿಯ ಭಾವ, ಪ್ರತಿಕ್ರಿಯೆಯ ವಿಳಂಬ ಮತ್ತು ನಿಖರತೆಯನ್ನು ನೈಜ ಬಳಕೆಗೆ ತಕ್ಕ ಮಟ್ಟಕ್ಕೆ ತರುವಲ್ಲಿ ಹಲವು ಹೊಸ ತಾಂತ್ರಿಕ ಸವಾಲುಗಳೂ ಇದ್ದವು. ಇದನ್ನು ಸರಿಯಾಗಿ ಸಾಧಿಸಿದರೆ ಅವರ ವ್ಯವಹಾರಕ್ಕೆ ಗಣನೀಯ ಪ್ರಯೋಜನವಾಗುತ್ತಿತ್ತು.
ಕೆಲಸದ ವ್ಯಾಪ್ತಿಯನ್ನು ನಿರ್ಧರಿಸುವಾಗ, ನಮ್ಮ ಮಾಡೆಲ್ ನೈಜ ಬಳಕೆಯಲ್ಲಿ ಈ ಕೆಲಸ ಮಾಡಬಲ್ಲದೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು ಬಳಸಿದ ಪ್ರಮುಖ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ ಸುಮಾರು 60% ಅಂಕ ಗಳಿಸಿತ್ತು. ನಾವು ಅದರ ಸಾಮರ್ಥ್ಯಗಳ ಮಿತಿಯನ್ನು ತಲುಪಿದ್ದೆವು. ಗ್ರಾಹಕ ಸೇವೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್ ಮತ್ತು ಸೂಚನೆಗಳನ್ನು ಪಾಲಿಸುವ ಸಾಮರ್ಥ್ಯ ಸುಧಾರಿಸಬೇಕಿತ್ತು.
ನಾವು ಇದನ್ನು ಗ್ರಾಹಕರಿಗೆ ವಿವರಿಸಿ, ಸಂಶೋಧನಾ ತಂಡವನ್ನೂ ಕೆಲಸದಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡೆವು. ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಗ್ರಾಹಕರೊಂದಿಗೆ ಸೇರಿ ವೇದಿಕೆಯನ್ನು ನಿರ್ಮಿಸಿದರು ಮತ್ತು ಮಾಡೆಲ್ ಏನು ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಿದರು. ಸಂಶೋಧನಾ ತಂಡವು ಸಾಮರ್ಥ್ಯದಲ್ಲಿನ ಕೊರತೆಗಳನ್ನು ನೀಗಿಸುವ ಕೆಲಸ ಮಾಡಿತು. ಮಾಡೆಲ್‌ನ ಅನುಕ್ರಮ ಆವೃತ್ತಿಗಳ ಮೂಲಕ ಗ್ರಾಹಕರ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಪ್ರಗತಿಯನ್ನು ಪರೀಕ್ಷಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಯಿತು.
ಆರು ತಿಂಗಳಲ್ಲಿ, ಪ್ರಮುಖ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿನ ಸಾಧನೆ ಸುಮಾರು 60%ರಿಂದ 80%ಕ್ಕೆ, ಬಳಿಕ 90%ಕ್ಕೂ ಮೇಲಕ್ಕೆ ಏರಿ, ಉತ್ಪಾದನೆಗೆ ಬೇಕಾದ ಮಟ್ಟವನ್ನು ತಲುಪಿತು.
ಈ ಕೆಲಸದಿಂದ ರೂಪುಗೊಂಡ ಧ್ವನಿ ಮಾಡೆಲ್ ಈಗ ಆ ಗ್ರಾಹಕರ ವ್ಯವಸ್ಥೆಗೆ, ಇತರ ಗ್ರಾಹಕರ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ರೂಪಿಸಿದ ಗ್ರಾಹಕ ಸೇವಾ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಮತ್ತು ಪ್ರೆಸೆನ್ಸ್ ಮೂಲಕ ನಿರ್ವಹಿಸಲಾಗುವ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಬೆಂಬಲ ನೀಡುತ್ತಿದೆ. ಒಬ್ಬ ಗ್ರಾಹಕರ ವ್ಯವಹಾರದಲ್ಲಿ ಎದುರಾದ ಸಮಸ್ಯೆಯು ಇನ್ನೂ ಅನೇಕರಿಗೆ ಉಪಯೋಗವಾಗಬಲ್ಲ ಸುಧಾರಣೆಗಳನ್ನು ಗುರುತಿಸಲು ನೆರವಾಯಿತು.
ಪ್ರತಿಯೊಂದು ಭಾಗವೂ ಮುಖ್ಯವಾಗಿತ್ತು. ಮಾಡೆಲ್‌ಗೆ ಇನ್ನೂ ಪರಿಹರಿಸಲಾಗದ ಸಮಸ್ಯೆಯ ಮೇಲೆ ಕೆಲಸ ಮಾಡಲು ಗ್ರಾಹಕರು ಬದ್ಧರಾದರು. ಫಾರ್ವರ್ಡ್ ಡಿಪ್ಲಾಯ್ಡ್ ಇಂಜಿನಿಯರ್ ಗ್ರಾಹಕರೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಕೆಲಸ ಮಾಡಿ, ಸಮಸ್ಯೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದರು, ವೇದಿಕೆಯನ್ನು ನಿರ್ಮಿಸಿದರು ಮತ್ತು ಸಹಯೋಗವನ್ನು ಆರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ ಮುನ್ನಡೆಸಿದರು. ಸಂಶೋಧನಾ ತಂಡವು ಆಧಾರಭೂತ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸುಧಾರಿಸಿತು.
ನಮ್ಮ ನೆರವಿನ ಅಗತ್ಯವೇ ಇಲ್ಲದಂತೆ ಮಾಡುವ ಮತ್ತೊಂದು ವಿಧಾನ ಇದು: ಇಂದಿನ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಪರಿಹರಿಸಲಾಗದ ಸಮಸ್ಯೆಯನ್ನು, ಭವಿಷ್ಯದ ಮಾಡೆಲ್‌ಗಳು ಒದಗಿಸಬಲ್ಲ ಸಾಮರ್ಥ್ಯವಾಗಿ ಪರಿವರ್ತಿಸಲು ನೆರವಾಗುವುದು. ನಮ್ಮ ಕೆಲಸದ ಪ್ರತಿಫಲವು ಯಾವುದೇ ಒಬ್ಬ ಗ್ರಾಹಕರೊಂದಿಗೆ ನಾವು ಕಳೆದ ಗಂಟೆಗಳಿಗೆ ಸೀಮಿತವಾಗಿರುವುದಿಲ್ಲ.
ಜನರ ದಿನನಿತ್ಯದ ಕೆಲಸದಲ್ಲಿ AI ಅನ್ನು ಉಪಯುಕ್ತವಾಗಿಸಲು ನೆರವಾಗಲೆಂದೇ ನಾನು OpenAI ಸೇರಿದೆ. ಇಂದಿಗೂ ಅದೇ ನಮ್ಮ ತಂಡಕ್ಕೆ ದಿಕ್ಕು ತೋರುತ್ತದೆ. LLM ಅಭಿವೃದ್ಧಿಯ ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಆಕಮ್‌ನ ರೇಜರ್ ತತ್ವ ಅನ್ವಯಿಸುತ್ತದೆ—ಅತಿ ಸರಳ ಪರಿಹಾರವೇ ಅತ್ಯುತ್ತಮ—ಎಂದು ನಾನು ತಂಡಕ್ಕೆ ಆಗಾಗ ಹೇಳುತ್ತೇನೆ. ಅತ್ಯಾಧುನಿಕ ಸಂಶೋಧನೆಯೇ ಗುರುತಾಗಿರುವ ಸಂಸ್ಥೆಯಲ್ಲಿ, ಅತಿಶಯೋಕ್ತಿಗಳಿಂದ ಮಸುಕಾಗಿರುವ ಉದ್ಯಮದಲ್ಲಿ ನಾವು ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ. ಈ ನಡುವೆ, ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಜನರು ಅವಲಂಬಿಸಬಹುದಾದ, ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ನಮ್ಮ ಬಯಕೆ.
ಪ್ರತಿಯೊಂದು ಸಹಯೋಗವೂ ಮುಂದಿನ ಕೆಲಸವನ್ನು ಸುಧಾರಿಸಬೇಕು ಎಂಬುದೇ ಗುರಿ: ಅಳವಡಿಸಲು ಸುಲಭವಾದ ಉತ್ಪನ್ನ, ಇನ್ನೂ ಕಠಿಣ ಕೆಲಸ ನಿಭಾಯಿಸಬಲ್ಲ ಮಾಡೆಲ್, ಅಥವಾ ಮುಂದಿನ ಗ್ರಾಹಕರಿಗಾಗಿ ಕಡಿಮೆ ಪ್ರತ್ಯೇಕ ಅಭಿವೃದ್ಧಿ ಕೆಲಸ.
ನೀವು ಪರಿಹರಿಸಬೇಕೆಂದಿರುವ ಕಠಿಣ ಸಮಸ್ಯೆಯಿದ್ದರೆ, ನಿಮ್ಮೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ನಾವು ಉತ್ಸುಕರಾಗಿದ್ದೇವೆ. ಈ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ನೆರವಾಗಲು ನೀವು ಬಯಸಿದರೆ, ನಮ್ಮೊಂದಿಗೆ ಸೇರಲು ನಿಮಗೆ ಸ್ವಾಗತ.
ಹಾಗಾದರೆ, ನಾವು ತಿಂಗಳುಗಟ್ಟಲೆ ಶ್ರಮಿಸಿ ನಿರ್ಮಿಸಿದ ಕೆಲಸವನ್ನು Codex ನಿಭಾಯಿಸಬಲ್ಲಾಗ ನಾವು ಏನು ಮಾಡಬೇಕು?
ಇನ್ನೂ ಕಠಿಣ ಸಮಸ್ಯೆಯನ್ನು ಹುಡುಕಬೇಕು.
