OpenAI ನ ಇನ್-ಹೌಸ್ ಡೇಟಾ ಏಜೆಂಟ್‌ನ ಒಳನೋಟ

ಡೇಟಾ ವ್ಯವಸ್ಥೆಗಳು ಕಲಿಯುವ ವಿಧಾನ, ಉತ್ಪನ್ನಗಳ ವಿಕಾಸ ಮತ್ತು ಕಂಪನಿಗಳ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡುವ ವಿಧಾನಕ್ಕೆ ಶಕ್ತಿ ನೀಡುತ್ತದೆ. ಆದರೆ ಉತ್ತರಗಳನ್ನು ತ್ವರಿತವಾಗಿ, ಸರಿಯಾಗಿ ಮತ್ತು ಸರಿಯಾದ ಸಂದರ್ಭದೊಂದಿಗೆ ಪಡೆಯುವುದು ಬಹುಸಾರ ಅದು ಇರಬೇಕಾದಷ್ಟು ಸುಲಭವಲ್ಲ. OpenAI ವಿಸ್ತರಿಸುತ್ತಿರುವಂತೆ ಇದನ್ನು ಸುಲಭಗೊಳಿಸಲು, ನಾವು ನಮ್ಮದೇ ಆದ ವಿಶೇಷವಾಗಿ ರೂಪಿಸಿದ ಇನ್-ಹೌಸ್ AI ಡೇಟಾ ಏಜೆಂಟ್ ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ, ಅದು ನಮ್ಮ ವೇದಿಕೆಯನ್ನು ಅನ್ವೇಷಿಸಿ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸುತ್ತದೆ.

ನಮ್ಮ ಏಜೆಂಟ್ ಒಂದು ಕಸ್ಟಮ್ ಆಂತರಿಕ-ಮಾತ್ರ ಸಾಧನ (ಬಾಹ್ಯ ಆಫರ್ ಅಲ್ಲ), OpenAI ಡೇಟಾ, ಅನುಮತಿಗಳು ಮತ್ತು ವರ್ಕ್‌ಫ್ಲೋಗಳ ಸುತ್ತ ವಿಶೇಷವಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ನಮ್ಮ ತಂಡಗಳಾದ್ಯಂತ ದೈನಂದಿನ ಕೆಲಸವನ್ನು ಬೆಂಬಲಿಸಲು AI ಹೇಗೆ ನೈಜವಾಗಿ, ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬುದರ ಉದಾಹರಣೆಗಳನ್ನು ಹೊರತರುವಲ್ಲಿ ಸಹಾಯ ಮಾಡಲು ನಾವು ಇದನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಿದ್ದೇವೆ ಮತ್ತು ಹೇಗೆ ಬಳಸುತ್ತೇವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ. ನಾವು ಇದನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಬಳಸಿದ OpenAI ಸಾಧನಗಳು (Codex, ನಮ್ಮ GPT‑5 ಫ್ಲಾಗ್‌ಶಿಪ್ ಮಾದರಿ, Evals API⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು Embeddings API⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)) ವಿಶ್ವದಾದ್ಯಂತ ಡೆವಲಪರ್‌ಗಳಿಗೆ ನಾವು ಲಭ್ಯವಾಗಿಸುವ ಅದೇ ಸಾಧನಗಳಾಗಿವೆ.

ನಮ್ಮ ಡೇಟಾ ಏಜೆಂಟ್ ನೌಕರರಿಗೆ ಪ್ರಶ್ನೆಯಿಂದ ಒಳನೋಟಕ್ಕೆ ನಿಮಿಷಗಳಲ್ಲಿ ಹೋಗಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ದಿನಗಳಲ್ಲಿ ಅಲ್ಲ. ಇದು ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಡೇಟಾ ಮತ್ತು ಸೂಕ್ಷ್ಮ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪಡೆಯಲು ಅಡ್ಡಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ನಮ್ಮ ಡೇಟಾ ತಂಡದಿಂದ ಮಾತ್ರವಲ್ಲ. ಇಂದು, OpenAI ಯ ಎಂಜಿನಿಯರಿಂಗ್, ಡೇಟಾ ಸೈನ್ಸ್, ಗೋ-ಟು-ಮಾರ್ಕೆಟ್, ಹಣಕಾಸು ಮತ್ತು ಸಂಶೋಧನೆ ವಿಭಾಗಗಳ ತಂಡಗಳು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಡೇಟಾ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಏಜೆಂಟ್ ಮೇಲೆ ಅವಲಂಬಿಸಿವೆ. ಉದಾಹರಣೆಗೆ, ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸಹಜ ಸ್ವರೂಪದ ಮೂಲಕ, ಲಾಂಚ್‌ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮತ್ತು ವ್ಯವಹಾರದ ಆರೋಗ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ವಿಧಾನವನ್ನು ತಿಳಿಸಲು ಇದು ಸಹಾಯ ಮಾಡಬಹುದು. ಏಜೆಂಟ್ Codex-ಚಾಲಿತ ಟೇಬಲ್-ಮಟ್ಟದ ಜ್ಞಾನವನ್ನು ಉತ್ಪನ್ನ ಮತ್ತು ಸಂಸ್ಥೆಯ ಸಂದರ್ಭದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಇದರ ನಿರಂತರ ಕಲಿಕೆಯ ಸ್ಮೃತಿ ವ್ಯವಸ್ಥೆ ಪ್ರತಿಯೊಂದು ತಿರುವಿನೊಂದಿಗೆ ಸುಧಾರಿಸುತ್ತದೆ.

ಈ ಪೋಸ್ಟ್‌ನಲ್ಲಿ, ನಾವು ಏಕೆ ವಿಶೇಷವಾಗಿ ರೂಪಿಸಿದ AI ಡೇಟಾ ಏಜೆಂಟ್ ಬೇಕಾಯಿತು, ಅದರ ಕೋಡ್-ಸಮೃದ್ಧ ಡೇಟಾ ಸಂದರ್ಭ ಮತ್ತು ಸ್ವಯಂ-ಕಲಿಕೆ ಏಕೆ ಅಷ್ಟು ಉಪಯುಕ್ತವಾಗಿವೆ ಮತ್ತು ಈ ಪ್ರಯಾಣದಲ್ಲಿ ನಾವು ಕಲಿತ ಪಾಠಗಳನ್ನು ವಿವರಿಸುತ್ತೇವೆ.

OpenAI ಯ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಎಂಜಿನಿಯರಿಂಗ್, ಉತ್ಪನ್ನ ಮತ್ತು ಸಂಶೋಧನೆ ವಿಭಾಗಗಳಾದ್ಯಂತ ಕೆಲಸ ಮಾಡುವ 3.5k ಆಂತರಿಕ ಬಳಕೆದಾರರಿಗೆ ಸೇವೆ ಸಲ್ಲಿಸುತ್ತದೆ, 70k ಡೇಟಾಸೆಟ್‌ಗಳಾದ್ಯಂತ 600 ಪೆಟಾಬೈಟ್‌ಗಳ ಡೇಟಾವನ್ನು ವ್ಯಾಪಿಸುತ್ತವೆ. ಆ ಗಾತ್ರದಲ್ಲಿ, ಸರಿಯಾದ ಟೇಬಲ್ ಅನ್ನು ಹುಡುಕುವುದು ವಿಶ್ಲೇಷಣೆಯ ಅತ್ಯಂತ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಭಾಗಗಳಲ್ಲಿ ಒಂದಾಗಬಹುದು.

ಒಬ್ಬ ಆಂತರಿಕ ಬಳಕೆದಾರರು ಹೇಳಿದಂತೆ:

“ನಮ್ಮ ಬಳಿ ಬಹಳಷ್ಟು ಹೋಲಿಕೆಯಿರುವ ಟೇಬಲ್‌ಗಳಿವೆ ಮತ್ತು ಅವು ಹೇಗೆ ವಿಭಿನ್ನವಾಗಿವೆ ಮತ್ತು ಯಾವದನ್ನು ಬಳಸಬೇಕು ಎಂದು ತಿಳಿಯಲು ನಾನು ಬಹಳಷ್ಟು ಸಮಯ ಕಳೆಯುತ್ತೇನೆ. ಕೆಲವು ಲಾಗ್‌ಔಟ್ ಮಾಡಿದ ಬಳಕೆದಾರರನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಕೆಲವು ಒಳಗೊಂಡಿಲ್ಲ. ಕೆಲವು ಕ್ಷೇತ್ರಗಳು ಒಂದರ ಮೇಲೆ ಒಂದರಂತೆ ಹೋಲಿಸುತ್ತವೆ; ಯಾವುದು ಯಾವುದು ಎಂಬುದನ್ನು ತಿಳಿಯುವುದು ಕಷ್ಟ.

ಸರಿಯಾದ ಟೇಬಲ್‌ಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದರೂ ಸಹ, ಸರಿಯಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು ಕಷ್ಟಕರವಾಗಬಹುದು. ವಿಶ್ಲೇಷಕರು ರೂಪಾಂತರಗಳು ಮತ್ತು ಫಿಲ್ಟರ್‌ಗಳನ್ನು ಸರಿಯಾಗಿ ಅನ್ವಯಿಸಲಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಲು ಟೇಬಲ್ ಡೇಟಾ ಮತ್ತು ಟೇಬಲ್ ಸಂಬಂಧಗಳ ಬಗ್ಗೆ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಬೇಕು. ಸಾಮಾನ್ಯ ವೈಫಲ್ಯ ವಿಧಾನಗಳು—ಅನೇಕ-ದಿಂದ-ಅನೇಕ ಜೋಡಣೆಗಳು, ಫಿಲ್ಟರ್ ಪುಷ್‌ಡೌನ್ ದೋಷಗಳು ಮತ್ತು ನಿರ್ವಹಿಸದ ನಲ್‌ಗಳು—ನಿಶ್ಶಬ್ದವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ಅಮಾನ್ಯಗೊಳಿಸಬಹುದು. OpenAI ಯ ಪ್ರಮಾಣದಲ್ಲಿ, ವಿಶ್ಲೇಷಕರು SQL ಅರ್ಥವ್ಯವಸ್ಥೆ ಅಥವಾ ಪ್ರಶ್ನೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಡೀಬಗಿಂಗ್ ಮಾಡುವುದರಲ್ಲಿ ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡಬೇಕಾಗಿಲ್ಲ: ಅವರ ಗಮನವು ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು, ಊಹೆಗಳನ್ನು ಮಾನ್ಯಗೊಳಿಸುವುದು ಮತ್ತು ಡೇಟಾ-ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ಕೈಗೊಳ್ಳುವುದರ ಮೇಲೆ ಇರಬೇಕು.

ನಮ್ಮ ಏಜೆಂಟ್ ಏನು, ಅದು ಸಂದರ್ಭವನ್ನು ಹೇಗೆ ಕ್ಯುರೇಟ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅದು ಹೇಗೆ ಸ್ವಯಂ-ಸುಧಾರಿಸಿಕೊಂಡು ಮುಂದುವರಿಯುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡೋಣ.

ನಮ್ಮ ಏಜೆಂಟ್ GPT‑5.2 ಮೂಲಕ ಶಕ್ತಿಯುತವಾಗಿದೆ ಮತ್ತು OpenAI ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮೇಲೆ ತಾರ್ಕಿಕವಾಗಿ ವಿಶ್ಲೇಷಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಇದು ಉದ್ಯೋಗಿಗಳು ಈಗಾಗಲೇ ಕೆಲಸ ಮಾಡುವ ಎಲ್ಲೆಡೆ ಲಭ್ಯವಿದೆ: Slack ಏಜೆಂಟ್ ಆಗಿ, ವೆಬ್ ಇಂಟರ್‌ಫೇಸ್ ಮೂಲಕ, IDE ಗಳೊಳಗೆ, MCP ಮೂಲಕ Codex CLI⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಲ್ಲಿ ಮತ್ತು MCP ಕನೆಕ್ಟರ್ ಮೂಲಕ OpenAI ಯ ಆಂತರಿಕ ChatGPT ಆ್ಯಪ್‌ನಲ್ಲಿ ನೇರವಾಗಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ).

ಬಳಕೆದಾರರು ಸಂಕೀರ್ಣ, ಮುಕ್ತ-ಆಧಾರಿತ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು, ಅವುಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಕೈಯಾರೆ ಅನ್ವೇಷಣೆಯ ಹಲವಾರು ಸುತ್ತುಗಳು ಅಗತ್ಯವಿರುತ್ತದೆ. ಈ ಪರೀಕ್ಷಾ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಬಳಸುವ ಉದಾಹರಣೆ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪರಿಗಣಿಸಿ: “NYC ಟ್ಯಾಕ್ಸಿ ಪ್ರಯಾಣಗಳಿಗಾಗಿ, ಪಿಕಪ್ ನಿಂದ ಡ್ರಾಪ್ ಆಫ್ ವರೆಗಿನ ZIP ಜೋಡಿಗಳಲ್ಲಿ ಯಾವವು ಅತ್ಯಂತ ನಂಬಲಾಗದವು, ಸಾಮಾನ್ಯ ಮತ್ತು ಕೆಟ್ಟ-ಪ್ರಕರಣ ಪ್ರಯಾಣ ಸಮಯಗಳ ನಡುವಿನ ಅತಿದೊಡ್ಡ ಅಂತರದೊಂದಿಗೆ ಮತ್ತು ಆ ವ್ಯತ್ಯಾಸ ಯಾವಾಗ ಸಂಭವಿಸುತ್ತದೆ?”

ಏಜೆಂಟ್ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ವಹಿಸುತ್ತಾನೆ, ಪ್ರಶ್ನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸುವುದು, ಕ್ವೆರಿಗಳನ್ನು ರನ್ ಮಾಡುವುದು ಮತ್ತು ಕಂಡುಹಿಡಿದಿರುವುದನ್ನು ಸಂಶ್ಲೇಷಿಸುವುದರವರೆಗೆ.

ಏಜೆಂಟ್‌ನ ಶಕ್ತಿಗಳಲ್ಲಿ ಒಂದಾದದ್ದು ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸುವ ಸಾಮರ್ಥ್ಯ. ನಿಗದಿತ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಅನುಸರಿಸುವ ಬದಲು, ಏಜೆಂಟ್ಜೆಂಟ್ ತನ್ನ ಪ್ರಗತಿಯನ್ನು ಸ್ವತಃ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಮಧ್ಯಂತರ ಫಲಿತಾಂಶವು ತಪ್ಪಾಗಿ ಕಾಣಿಸಿದರೆ (ಉದಾಹರಣೆಗೆ, ತಪ್ಪಾದ ಜೋಡಣೆ ಅಥವಾ ಫಿಲ್ಟರ್‌ನಿಂದಾಗಿ ಅದರಲ್ಲಿ ಶೂನ್ಯ ಸಾಲುಗಳು ಇದ್ದರೆ), ಏಜೆಂಟ್ ಏನು ತಪ್ಪಾಗಿದೆ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ, ತನ್ನ ವಿಧಾನವನ್ನು ಹೊಂದಿಸುತ್ತದೆ ಮತ್ತು ಮತ್ತೆ ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯಾದ್ಯಂತ, ಇದು ಸಂಪೂರ್ಣ ಸಂದರ್ಭವನ್ನು ಉಳಿಸಿಕೊಂಡು, ಹಂತಗಳ ನಡುವೆ ಕಲಿತ ಪಾಠಗಳನ್ನು ಮುಂದಕ್ಕೆ ಸಾಗಿಸುತ್ತದೆ. ಈ ಮುಚ್ಚಿದ-ಚಕ್ರ, ಸ್ವಯಂ-ಕಲಿಯುವ ಪ್ರಕ್ರಿಯೆ ಬಳಕೆದಾರರಿಂದ ಪುನರಾವೃತ್ತಿಯನ್ನು ಏಜೆಂಟ್‌ನೊಳಗೆ ಸ್ಥಳಾಂತರಿಸುತ್ತದೆ, ಇದರಿಂದ ಕೈಯಿಂದ ಮಾಡುವ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗಿಂತ ವೇಗವಾದ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ನಿರಂತರವಾಗಿ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.

ಏಜೆಂಟ್ ಸಂಪೂರ್ಣ ವಿಶ್ಲೇಷಣಾ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಒಳಗೊಂಡಿದೆ: ಡೇಟಾವನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, SQL ಅನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ನೋಟ್ಬುಕ್‌ಗಳು ಮತ್ತು ವರದಿಗಳನ್ನು ಪ್ರಕಟಿಸುವುದು. ಇದು ಕಂಪನಿಯ ಆಂತರಿಕ ಜ್ಞಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ, ಬಾಹ್ಯ ಮಾಹಿತಿಗಾಗಿ ವೆಬ್‌ನಲ್ಲಿ ಹುಡುಕಾಟ ಮಾಡಬಹುದು ಮತ್ತು ಕಲಿತ ಬಳಕೆ ಮತ್ತು ಸ್ಮೃತಿಯ ಮೂಲಕ ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಿಸುತ್ತದೆ.

ಉನ್ನತ ಗುಣಮಟ್ಟದ ಉತ್ತರಗಳು ಸಮೃದ್ಧ, ನಿಖರವಾದ ಸಂದರ್ಭದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ಸಂದರ್ಭವಿಲ್ಲದೆ, ಬಲವಾದ ಮಾಡೆಲ್‌ಗಳು ಸಹ ತಪ್ಪು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಬಳಕೆದಾರರ ಸಂಖ್ಯೆಯನ್ನು ಬಹಳವಾಗಿ ತಪ್ಪಾಗಿ ಅಂದಾಜಿಸುವುದು ಅಥವಾ ಆಂತರಿಕ ಪದಪ್ರಯೋಗವನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸುವುದು.

ಈ ವೈಫಲ್ಯ ವಿಧಾನಗಳನ್ನು ತಪ್ಪಿಸಲು, ಏಜೆಂಟ್ ಅನ್ನು OpenAI ಡೇಟಾ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಜ್ಞಾನದಲ್ಲಿ ನೆಲೆಯೂರಿಸುವ ಅನೇಕ ಸಂದರ್ಭ ಪದರಗಳ ಸುತ್ತ ನಿರ್ಮಿಸಲಾಗಿದೆ.

• ಮೆಟಾಡೇಟಾ ಗ್ರೌಂಡಿಂಗ್: ಏಜೆಂಟ್ SQL ಬರವಣಿಗೆಯನ್ನು ಮಾರ್ಗದರ್ಶಿಸಲು ಸ್ಕೀಮಾ ಮೆಟಾಡೇಟಾ (ಕಾಲಮ್ ಹೆಸರುಗಳು ಮತ್ತು ಡೇಟಾ ಪ್ರಕಾರಗಳು) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ ಮತ್ತು ವಿಭಿನ್ನ ಟೇಬಲ್‌ಗಳು ಹೇಗೆ ಸಂಬಂಧಿಸುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ಸಂದರ್ಭ ಒದಗಿಸಲು ಟೇಬಲ್ ಲಿನಿಯೇಜ್ (ಉದಾ., ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಮತ್ತು ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಟೇಬಲ್ ಸಂಬಂಧಗಳು) ಅನ್ನು ಬಳಸುತ್ತದೆ.
• Query inference: ಐತಿಹಾಸಿಕ ಕ್ವೇರಿಗಳನ್ನು ಇನ್‌ಜೆಸ್ಟ್ ಮಾಡುವುದರಿಂದ ಏಜೆಂಟ್ ತನ್ನದೇ ಆದ ಕ್ವೇರಿಗಳನ್ನು ಹೇಗೆ ಬರೆಯಬೇಕು ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಯಾವ ಟೇಬಲ್‌ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಜೋಡಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯವಾಗುತ್ತದೆ.

• ಕ್ಷೇತ್ರ ತಜ್ಞರು ಒದಗಿಸಿದ ಟೇಬಲ್‌ಗಳು ಮತ್ತು ಕಾಲಮ್‌ಗಳ ಆಯ್ದ ವಿವರಣೆಗಳು, ಉದ್ದೇಶ, ಅರ್ಥ, ವ್ಯವಹಾರ ಅರ್ಥ ಮತ್ತು ಸ್ಕೀಮಾ ಅಥವಾ ಹಿಂದಿನ ಪ್ರಶ್ನೆಗಳಿಂದ ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗದ ತಿಳಿದಿರುವ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ.

ಮೆಟಾಡೇಟಾ ಮಾತ್ರ ಸಾಕಾಗುವುದಿಲ್ಲ. ಟೇಬಲ್‌ಗಳನ್ನು ನಿಜವಾಗಿಯೂ ಬೇರ್ಪಡಿಸಲು, ಅವುಗಳನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗಿದೆ ಮತ್ತು ಅವುಗಳ ಮೂಲ ಎಲ್ಲಿದೆ ಎಂಬುದನ್ನು ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.

• ಕೋಡ್-ಮಟ್ಟದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಟೇಬಲ್‌ನಿಂದ ಪಡೆಯುವ ಮೂಲಕ, ಏಜೆಂಟ್ ಡೇಟಾ ವಾಸ್ತವವಾಗಿ ಏನು ಒಳಗೊಂಡಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಆಳವಾದ ಅರ್ಥವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. 
  • ಟೇಬಲ್‌ನಲ್ಲಿ ಏನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಮತ್ತು ಅದು ವಿಶ್ಲೇಷಣಾ ಘಟನೆಗಳಿಂದ ಹೇಗೆ ವ್ಯುತ್ಪನ್ನವಾಗಿದೆ ಎಂಬ ಸೂಕ್ಷ್ಮತೆಗಳು ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಇದು ಮೌಲ್ಯಗಳ ವಿಶಿಷ್ಟತೆಯ ಬಗ್ಗೆ, ಟೇಬಲ್ ಡೇಟಾವನ್ನು ಎಷ್ಟು ಬಾರಿ ನವೀಕರಿಸಲಾಗುತ್ತದೆ, ಡೇಟಾದ ವ್ಯಾಪ್ತಿ (ಉದಾ., ಟೇಬಲ್ ಕೆಲವು ಕ್ಷೇತ್ರಗಳನ್ನು ಹೊರತುಪಡಿಸಿದರೆ, ಅದಕ್ಕೆ ಈ ಮಟ್ಟದ ಸೂಕ್ಷ್ಮತೆ ಇರುತ್ತದೆ), ಇತ್ಯಾದಿಗಳ ಬಗ್ಗೆ ಸಂದರ್ಭವನ್ನು ನೀಡಬಹುದು.
• ಇದು Spark, Python ಮತ್ತು ಇತರ ಡೇಟಾ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ SQL ಅನ್ನು ಮೀರಿದಂತೆ ಟೇಬಲ್ ಅನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುವ ಮೂಲಕ ಸುಧಾರಿತ ಬಳಕೆ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸುತ್ತದೆ.
• ಇದರರ್ಥ ಏಜೆಂಟ್ ಒಂದೇ ರೀತಿಯಾಗಿ ಕಾಣುವ ಆದರೆ ಪ್ರಮುಖ ರೀತಿಗಳಲ್ಲಿ ಭಿನ್ನವಾಗಿರುವ ಟೇಬಲ್‌ಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಟೇಬಲ್‌ನಲ್ಲಿ ಮೊದಲ-ಪಕ್ಷದ ChatGPT ಟ್ರಾಫಿಕ್ ಮಾತ್ರ ಸೇರಿದೆಯೇ ಎಂದು ಅದು ತಿಳಿಸಬಹುದು. ಈ ಸಂದರ್ಭವು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನವೀಕರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಹಸ್ತಚಾಲಿತ ನಿರ್ವಹಣೆ ಇಲ್ಲದೆ ಇದು ನವೀಕೃತವಾಗಿರುತ್ತದೆ.

• ಏಜೆಂಟ್ Slack, Google Docs, ಮತ್ತು Notion ಅನ್ನು ಪ್ರವೇಶಿಸಬಹುದು, ಇವು ಲಾಂಚ್‌ಗಳು, ವಿಶ್ವಾಸಾರ್ಹ ಘಟನೆಗಳು, ಆಂತರಿಕ ಕೋಡ್‌ನೇಮ್‌ಗಳು ಮತ್ತು ಸಾಧನಗಳು ಮತ್ತು ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್‌ಗಳಿಗಾಗಿ ಕ್ಯಾನಾನಿಕಲ್ ವ್ಯಾಖ್ಯಾನಗಳು ಮತ್ತು ಗಣನೆ ಲಾಜಿಕ್‌ನಂತಹ ಪ್ರಮುಖ ಕಂಪನಿ ಸಂದರ್ಭವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ.
• ಈ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಸೇವಿಸಲಾಗುತ್ತದೆ, ಅಳವಡಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮೆಟಾಡೇಟಾ ಮತ್ತು ಅನುಮತಿಗಳೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ರಿಟ್ರೀವಲ್ ಸೇವೆಯು ರನ್‌ಟೈಮ್‌ನಲ್ಲಿ ಪ್ರವೇಶ ನಿಯಂತ್ರಣ ಮತ್ತು ಕ್ಯಾಶಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಇದರಿಂದ ಏಜೆಂಟ್ ಈ ಮಾಹಿತಿಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿ ಪಡೆಯಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

• ಏಜೆಂಟ್‌ಗೆ ತಿದ್ದುಪಡಿಗಳನ್ನು ನೀಡಿದಾಗ ಅಥವಾ ಕೆಲವು ಡೇಟಾ ಪ್ರಶ್ನೆಗಳ ಬಗ್ಗೆ ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಕಂಡುಹಿಡಿದಾಗ, ಅದು ಈ ಕಲಿಕೆಗಳನ್ನು ಮುಂದಿನ ಬಳಕೆಗೆ ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದ ಅದು ತನ್ನ ಬಳಕೆದಾರರೊಂದಿಗೆ ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. 
  • ಫಲಿತಾಂಶವಾಗಿ, ಭವಿಷ್ಯದ ಉತ್ತರಗಳು ಪುನಃ ಪುನಃ ಅದೇ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾದ ಮೂಲದಿಂದ ಪ್ರಾರಂಭಿಸುತ್ತವೆ.
  • ಮೆಮೊರಿಯ ಉದ್ದೇಶವು ಡೇಟಾ ಸರಿಯಾಗಿರುವುದಕ್ಕೆ ಅತ್ಯಂತ ಮಹತ್ವವಾದ, ಆದರೆ ಇತರ ಲೇಯರ್‌ಗಳಿಂದ ಮಾತ್ರ ಊಹಿಸಲು ಕಷ್ಟವಾಗುವ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲದ ತಿದ್ದುಪಡಿಗಳು, ಫಿಲ್ಟರ್‌ಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ಉಳಿಸಿ ಮರುಬಳಕೆ ಮಾಡುವುದು. 
  • ಉದಾಹರಣೆಗೆ, ಒಂದು ಸಂದರ್ಭದಲ್ಲಿ, ಏಜೆಂಟ್‌ಗೆ ನಿರ್ದಿಷ್ಟ ವಿಶ್ಲೇಷಣಾ ಪ್ರಯೋಗಕ್ಕಾಗಿ ಹೇಗೆ ಫಿಲ್ಟರ್ ಮಾಡಬೇಕೆಂದು ತಿಳಿದಿರಲಿಲ್ಲ (ಅದು ಪ್ರಯೋಗದ ಗೇಟ್‌ನಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಸ್ಟ್ರಿಂಗ್‌ಗೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ಅವಲಂಬಿಸಿತ್ತು). ಇಲ್ಲಿ ಮೆಮೊರಿ ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿತ್ತು, ಅದು ಅಸ್ಪಷ್ಟವಾಗಿ ಸ್ಟ್ರಿಂಗ್ ಮ್ಯಾಚ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವ ಬದಲು ಸರಿಯಾಗಿ ಫಿಲ್ಟರ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು.
• ನೀವು ಏಜೆಂಟ್‌ಗೆ ತಿದ್ದುಪಡಿ ನೀಡಿದಾಗ ಅಥವಾ ಅದು ನಿಮ್ಮ ಸಂಭಾಷಣೆಯಿಂದ ಕಲಿಕೆಯನ್ನು ಕಂಡುಕೊಂಡಾಗ, ಅದು ಮುಂದಿನ ಬಾರಿ ಬಳಸಲು ಆ ಮೆಮೊರಿಯನ್ನು ಉಳಿಸಲು ನಿಮಗೆ ಪ್ರಾಂಪ್ಟ್ ಮಾಡುತ್ತದೆ. 
  • ಮೆಮೊರಿಗಳನ್ನು ಬಳಕೆದಾರರು ಕೈಯಾರೆ ಸಹ ರಚಿಸಬಹುದು ಮತ್ತು ಸಂಪಾದಿಸಬಹುದು.
  • ಮೆಮೊರಿಗಳು ಜಾಗತಿಕ ಮತ್ತು ವೈಯಕ್ತಿಕ ಮಟ್ಟದಲ್ಲಿ ವ್ಯಾಪ್ತಿಗೊಳಿಸಲ್ಪಟ್ಟಿವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಸಂಪಾದಿಸಲು ಏಜೆಂಟ್‌ನ ಸಾಧನಗಳು ಸುಲಭಗೊಳಿಸುತ್ತವೆ.

• ಟೇಬಲ್‌ಗೆ ಹಿಂದಿನ ಯಾವುದೇ ಸಂದರ್ಭವಿಲ್ಲದಿದ್ದಾಗ ಅಥವಾ ಈಗಿನ ಮಾಹಿತಿ ಹಳೆಯದಾಗಿದ್ದರೆ, ಏಜೆಂಟ್ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ಗೆ ಲೈವ್ ಕ್ವೆರಿಗಳನ್ನು ಹೊರಡಿಸಿ ಟೇಬಲ್ ಅನ್ನು ನೇರವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದು ಮತ್ತು ಕ್ವೇರಿ ಮಾಡಬಹುದು. ಇದು ಸ್ಕೀಮಾಗಳನ್ನು ಪರಿಶೀಲಿಸಲು, ನೈಜ-ಸಮಯದಲ್ಲಿ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಅವಕಾಶ ಮಾಡುತ್ತದೆ.
• ಏಜೆಂಟ್ ಇತರ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ (ಮೆಟಾಡೇಟಾ ಸೇವೆ, ಏರ್‌ಫ್ಲೋ, ಸ್ಪಾರ್ಕ್) ಅಗತ್ಯವಿದ್ದಾಗ ಮಾತನಾಡಲು ಸಹ ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದರಿಂದ ವೇರ್‌ಹೌಸ್‌ನ ಹೊರಗಿನ ವಿಶಾಲ ಡೇಟಾ ಸಂದರ್ಭವನ್ನು ಪಡೆಯಬಹುದು.

ಇದರಲ್ಲಿ Evals ಅನ್ನು ಆಯ್ದ ಪ್ರಶ್ನೆ-ಉತ್ತರ ಜೋಡಿಗಳ ಸಮೂಹಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಪ್ರಶ್ನೆಯು ನಾವು ಸರಿಯಾಗಿ ಪಡೆಯಲು ಆಳವಾಗಿ ಕಾಳಜಿ ವಹಿಸುವ ಪ್ರಮುಖ ಮಾಪನ ಅಥವಾ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾದರಿಯನ್ನು ಗುರಿಯಾಗಿರುತ್ತದೆ, ಮತ್ತು ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ಉತ್ಪಾದಿಸುವಂತೆ ಕೈಯಾರೆ ರಚಿಸಿದ “ಗೋಲ್ಡನ್” SQL ಕ್ವೆರಿಯೊಂದಿಗೆ ಜೋಡಿಸಲಾಗಿದೆ. ಪ್ರತಿ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ, ನಾವು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಪ್ರಶ್ನೆಯನ್ನು ಅದರ ಕ್ವೇರಿ-ರಚನೆ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗೆ ಕಳುಹಿಸುತ್ತೇವೆ, ರಚಿಸಲಾದ SQL ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಅನ್ನು ನಿರೀಕ್ಷಿತ SQL ಫಲಿತಾಂಶದೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ.

ಮೌಲ್ಯಮಾಪನವು ಸರಳವಾದ ಸ್ಟ್ರಿಂಗ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಅವಲಂಬಿಸುವುದಿಲ್ಲ. ರಚಿಸಲಾದ SQL ವಾಕ್ಯರಚನೆಯಲ್ಲಿ ವ್ಯತ್ಯಾಸವಿರಬಹುದು, ಆದರೂ ಅದು ಸರಿಯಾಗಿರಬಹುದು ಮತ್ತು ಫಲಿತಾಂಶ ಸೆಟ್‌ಗಳಲ್ಲಿ ಉತ್ತರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರದ ಹೆಚ್ಚುವರಿ ಕಾಲಮ್‌ಗಳು ಇರಬಹುದು. ಇದನ್ನು ಪರಿಗಣಿಸಲು, ನಾವು SQL ಮತ್ತು ಅದರ ಫಲಿತಾಂಶದ ಡೇಟಾ ಎರಡನ್ನೂ ಹೋಲಿಸುತ್ತೇವೆ ಮತ್ತು ಈ ಸಂಕೇತಗಳನ್ನು OpenAI ನ Evals ಗ್ರೇಡರ್‌ಗೆ ನೀಡುತ್ತೇವೆ. ಗ್ರೇಡರ್ ಸರಿಯಾದತನ ಮತ್ತು ಸ್ವೀಕಾರಾರ್ಹ ವ್ಯತ್ಯಾಸ ಎರಡನ್ನೂ ಒಳಗೊಂಡಂತೆ, ವಿವರಣೆಯೊಂದಿಗೆ ಅಂತಿಮ ಅಂಕವನ್ನು ನೀಡುತ್ತದೆ.

ಈ evals ಗಳು ಘಟಕ ಪರೀಕ್ಷೆಗಳಂತೆ, ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ನಿರಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಕೆರಿಗಳಾಗಿ ಆಗಿ ರಿಗ್ರೆಷನ್‌ಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ; ಇದರಿಂದ ನಾವು ಸಮಸ್ಯೆಗಳನ್ನು ಬೇಗನೆ ಪತ್ತೆಹಚ್ಚಿ, ಏಜೆಂಟ್‌ನ ಸಾಮರ್ಥ್ಯಗಳು ವಿಸ್ತರಿಸುತ್ತಿರುವಂತೆ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಪುನರಾವರ್ತಿಸಬಹುದು.

ನಮ್ಮ ಏಜೆಂಟ್ OpenAI ಯ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಭದ್ರತೆ ಮತ್ತು ಪ್ರವೇಶ-ನಿಯಂತ್ರಣ ಮಾಡೆಲ್‌ಗೆ ನೇರವಾಗಿ ಪ್ಲಗ್ ಆಗುತ್ತದೆ. ಇದು ಸಂಪೂರ್ಣವಾಗಿ ಇಂಟರ್ಫೇಸ್ ಲೇಯರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, OpenAI ಡೇಟಾವನ್ನು ನಿಯಂತ್ರಿಸುವ ಅನುಮತಿಗಳು ಮತ್ತು ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳನ್ನು ಲೆಗಸಿಯಿಂದ ಪಡೆದು ಜಾರಿಗೆ ತರುತ್ತದೆ. 

ಏಜೆಂಟ್‌ನ ಎಲ್ಲಾ ಪ್ರವೇಶವು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪಾಸ್-ತ್ರೂ ಆಗಿದ್ದು, ಬಳಕೆದಾರರು ಈಗಾಗಲೇ ಪ್ರವೇಶಿಸಲು ಅನುಮತಿ ಹೊಂದಿರುವ ಟೇಬಲ್‌ಗಳನ್ನು ಮಾತ್ರ ಕ್ವೇರಿ ಮಾಡಬಹುದು. ಪ್ರವೇಶ ಲಭ್ಯವಿಲ್ಲದಿದ್ದಾಗ, ಇದು ಅದನ್ನು ಸೂಚಿಸುತ್ತದೆ ಅಥವಾ ಬಳಕೆದಾರರು ಬಳಸಲು ಅನುಮೋದಿತವಾದ ಪರ್ಯಾಯ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಹಿಂದಿರುಗುತ್ತದೆ.

ಕೊನೆಗೆ, ಇದನ್ನು ಪಾರದರ್ಶಕತೆಯನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಯಾವುದೇ ವ್ಯವಸ್ಥೆಯಂತೆ, ಇದು ತಪ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು. ಇದು ಪ್ರತಿ ಉತ್ತರದ ಜೊತೆಗೆ ಊಹೆಗಳು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಹಂತಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸುವ ಮೂಲಕ ತನ್ನ ರೀಜನಿಂಗ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಪ್ರಶ್ನೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದಾಗ, ಇದು ಅಡಿಪಾಯದ ಫಲಿತಾಂಶಗಳಿಗೆ ನೇರವಾಗಿ ಲಿಂಕ್ ಆಗುತ್ತದೆ, ಬಳಕೆದಾರರಿಗೆ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಪ್ರತಿ ಹಂತವನ್ನು ಪರಿಶೀಲಿಸಲು ಅವಕಾಶವನ್ನು ನೀಡುತ್ತದೆ.

ನಮ್ಮ ಏಜೆಂಟ್ ಅನ್ನು ಮೊದಲಿನಿಂದಲೇ ನಿರ್ಮಿಸುವುದು ಏಜೆಂಟ್‌ಗಳು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆ, ಅವು ಎಲ್ಲಿ ಕಷ್ಟಪಡುತ್ತವೆ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಅವುಗಳನ್ನು ನಿಜವಾಗಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸುವ ಅಂಶಗಳ ಬಗ್ಗೆ ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳನ್ನು ನೀಡಿತು.

ಆರಂಭದಲ್ಲೇ, ನಾವು ನಮ್ಮ ಸಂಪೂರ್ಣ ಉಪಕರಣಗಳ ಸಮೂಹವನ್ನು ಏಜೆಂಟ್‌ಗೆ ಬಹಿರಂಗಪಡಿಸಿದ್ದೇವೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಅತಿಕ್ರಮಣದಿಂದ ತ್ವರಿತವಾಗಿ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಿದ್ದೇವೆ. ಈ ಪುನರಾವರ್ತನೆ ನಿರ್ದಿಷ್ಟ ಕಸ್ಟಮ್ ಪ್ರಕರಣಗಳಿಗೆ ಸಹಾಯಕವಾಗಬಹುದು ಮತ್ತು ಹಸ್ತಚಾಲಿತವಾಗಿ ಇನ್‌ವೋಕ್ ಮಾಡುವಾಗ ಮಾನವನಿಗೆ ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ, ಆದರೆ ಇದು ಏಜೆಂಟ್‌ಗಳಿಗೆ ಗೊಂದಲ ಉಂಟುಮಾಡುತ್ತದೆ. ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸುಧಾರಿಸಲು, ನಾವು ಕೆಲವು ಟೂಲ್ ಕರೆಗಳನ್ನು ನಿರ್ಬಂಧಿಸಿ ಮತ್ತು ಏಕೀಕರಿಸಿದ್ದೇವೆ.

ನಾವು ಅತಿಯಾಗಿ ನಿಯಮಬದ್ಧವಾದ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಫಲಿತಾಂಶಗಳನ್ನು ಹದಗೆಡಿಸಿತು ಎಂಬುದನ್ನು ಸಹ ಕಂಡುಕೊಂಡೆವು. ಅನೇಕ ಪ್ರಶ್ನೆಗಳು ಸಾಮಾನ್ಯ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸ್ವರೂಪವನ್ನು ಹೊಂದಿದ್ದರೂ, ವಿವರಗಳು ಸಾಕಷ್ಟು ಬದಲಾಗುತ್ತವೆ, ಆದ್ದರಿಂದ ಕಟ್ಟುನಿಟ್ಟಾದ ಸೂಚನೆಗಳು ಏಜೆಂಟ್ ಅನ್ನು ತಪ್ಪು ಮಾರ್ಗಗಳತ್ತ ತಳ್ಳುತ್ತವೆ. ಉನ್ನತ-ಮಟ್ಟದ ಮಾರ್ಗದರ್ಶನಕ್ಕೆ ಶಿಫ್ಟ್ ಆಗಿ ಮತ್ತು ಸೂಕ್ತ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಮಾರ್ಗವನ್ನು ಆಯ್ಕೆ ಮಾಡಲು GPT‑5 ರ ರೀಜನಿಂಗ್ ಅನ್ನು ಅವಲಂಬಿಸುವ ಮೂಲಕ, ಏಜೆಂಟ್ ಹೆಚ್ಚು ದೃಢವಂತನಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಿತು.

ಸ್ಕೀಮಾಗಳು ಮತ್ತು ಕ್ವೆರಿ ಇತಿಹಾಸವು ಟೇಬಲ್‌ನ ಆಕಾರ ಮತ್ತು ಬಳಕೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ, ಆದರೆ ಅದರ ನಿಜವಾದ ಅರ್ಥವು ಅದನ್ನು ಸೃಷ್ಟಿಸುವ ಕೋಡ್‌ನಲ್ಲಿ ಅಡಗಿದೆ. ಪೈಪ್ಲೈನ್ ತರ್ಕವು SQL ಅಥವಾ ಮೆಟಾಡೇಟಾದಲ್ಲಿ ಎಂದಿಗೂ ಮೇಲ್ಮೈಗೆ ಬಾರದ ಊಹೆಗಳು, ತಾಜಾತನದ ಭರವಸೆಗಳು ಮತ್ತು ವ್ಯವಹಾರ ಉದ್ದೇಶವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ. Codex ಬಳಸಿ ಕೋಡ್‌ಬೇಸ್ ಅನ್ನು ಸಾಗುವ ಮೂಲಕ, ನಮ್ಮ ಏಜೆಂಟ್ ಡೇಟಾಸೆಟ್‌ಗಳು ನಿಜವಾಗಿ ಹೇಗೆ ನಿರ್ಮಿಸಲ್ಪಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಪ್ರತಿಯೊಂದು ಟೇಬಲ್‌ನಲ್ಲಿ ನಿಜವಾಗಿ ಏನು ಒಳಗೊಂಡಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಉತ್ತಮವಾಗಿ ತರ್ಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಇದು “ಇಲ್ಲಿ ಏನಿದೆ” ಮತ್ತು “ನಾನು ಇದನ್ನು ಯಾವಾಗ ಬಳಸಬಹುದು” ಎಂಬುದಕ್ಕೆ, ಕೇವಲ ವೇರ್ ಹೌಸ್ ಸೂಚನೆಗಳ ಆಧಾರದ ಮೇಲೆ ನೀಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಉತ್ತರಿಸಬಹುದು. 

ನಾವು ಅಸ್ಪಷ್ಟ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುವುದು, ಬಲವಾದ ಮಾನ್ಯೀಕರಣಗಳೊಂದಿಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುವುದು ಮತ್ತು ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ಏಕೀಕರಿಸುವ ಮೂಲಕ ನಮ್ಮ ಏಜೆಂಟ್ ಅನ್ನು ಸುಧಾರಿಸಲು ನಿರಂತರವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ. ನಾವು ನಂಬುವಂತೆ, ಅದು ಪ್ರತ್ಯೇಕ ಸಾಧನದಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಕ್ಕಿಂತ, ಜನರು ಈಗಾಗಲೇ ಕೆಲಸ ಮಾಡುವ ರೀತಿಗೆ ಸಹಜವಾಗಿ ಬೆರೆತುಹೋಗಬೇಕು.

ನಮ್ಮ ಟೂಲಿಂಗ್ ಏಜೆಂಟ್ ರೀಜನಿಂಗ್, ಮಾನ್ಯತೆ ಮತ್ತು ಸ್ವಯಂ-ತಿದ್ದುಪಡಿಯಲ್ಲಿನ ಮೂಲಭೂತ ಸುಧಾರಣೆಗಳಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಲೇ ಇರುವಾಗ, ನಮ್ಮ ತಂಡದ ಧ್ಯೇಯ ಅದೇ ಆಗಿಯೇ ಉಳಿಯುತ್ತದೆ: OpenAI ಡೇಟಾ ಇಕೋಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ವೇಗವಾದ, ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಿಘ್ನವಾಗಿ ಒದಗಿಸುವುದು.