OpenAI വഴി Amplitude: 1–2 ദിവസത്തിൽ മെച്ചപ്പെടുത്തൽ

ആളുകൾ തങ്ങളുടെ ഉൽപ്പന്നങ്ങൾ യഥാർഥത്തിൽ എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് മനസ്സിലാക്കാൻ Amplitude എന്നും ടീമുകളെ സഹായിച്ചിട്ടുണ്ട്. സ്വമേധയാ മുൻകൈയെടുക്കുന്ന അതിന്റെ ഉൽപ്പന്ന ഏജന്റായ Wave, ആ കണ്ടെത്തലുകളെ ഉപയോക്താക്കളിലെത്തുന്ന മെച്ചപ്പെടുത്തലുകളാക്കി മാറ്റാൻ ടീമുകളെ സഹായിക്കുന്നു. Wave-ന്റെ പ്രവർത്തനത്തിൽ ഏകദേശം 80% നിർവഹിക്കുന്നത് GPT‑6.1 Sol, GPT‑6 Luna, GPT‑Image‑2.5 Flare എന്നിവയുൾപ്പെടെയുള്ള OpenAI മോഡലുകളാണെന്ന് Amplitude പറയുന്നു. ഉൽപ്പന്നത്തെക്കുറിച്ചുള്ള കണ്ടെത്തലുകളെ Wave നടപ്പാക്കൽ പദ്ധതികളാക്കി മാറ്റുന്നു. ടീമുകൾക്ക് ഇവ Codex ഉൾപ്പെടെയുള്ള കോഡിംഗ് ഏജന്റുകൾക്ക് അയയ്ക്കാം. തുടർന്ന് Wave അവയുടെ ഫലം അളക്കുന്നു.

ഏകദേശം ഒരു മാസം വേണ്ടിവന്നിരുന്ന ഉൽപ്പന്ന മെച്ചപ്പെടുത്തലുകൾ 1–2 ദിവസത്തിനുള്ളിൽ പുറത്തിറക്കാൻ Wave ടീമുകളെ സഹായിക്കുമെന്ന് Amplitude കണക്കാക്കുന്നു. Amplitude-ന്റെ സ്വന്തം മുഖപ്പേജിലെ നിർദേശ കാർഡുകൾ വ്യക്തിഗതമാക്കാൻ Wave സഹായിച്ചു. ഇതിലൂടെ കാർഡുകൾ വഴി അയച്ച സന്ദേശങ്ങളിൽ 160% വർധനയുണ്ടായി.

Amplitude-ന്റെ സ്വമേധയാ മുൻകൈയെടുക്കുന്ന ഉൽപ്പന്ന ഏജന്റാണ് Wave. ടീമുകൾ ഒരു ഉൽപ്പന്ന മേഖലയും മെച്ചപ്പെടുത്താനാഗ്രഹിക്കുന്ന ലക്ഷ്യങ്ങളും അളവുകോലുകളും അതിന് നൽകുന്നു. Amplitude ഡാറ്റ, സെഷൻ പുനഃസംപ്രേഷണങ്ങൾ, ഉപഭോക്തൃ പ്രതികരണങ്ങൾ, കോഡ് എന്നിവ Wave ഒരുമിച്ചുചേർക്കുന്നു. ഇവ ഉപയോഗിച്ച് സാധ്യതകൾ കണ്ടെത്തി മുൻഗണന നിശ്ചയിക്കുകയും പരിഹാരങ്ങൾ വികസിപ്പിക്കുകയും ആളുകളുടെയും കോഡിംഗ് ഏജന്റുകളുടെയും സഹായത്തോടെ നടപ്പാക്കൽ ഏകോപിപ്പിക്കുകയും ചെയ്യുന്നു. തുടർന്ന് ഫലങ്ങൾ നിരീക്ഷിച്ച്, അവയിൽനിന്നുള്ള പഠനങ്ങൾ അടുത്ത ഘട്ടത്തിലെ മെച്ചപ്പെടുത്തലുകൾക്ക് വഴികാട്ടിയാക്കുന്നു.

ഈ പ്രവർത്തനക്രമത്തിൽ വ്യത്യസ്ത ജോലികൾക്കായി Amplitude വ്യത്യസ്ത OpenAI മോഡലുകൾ ഉപയോഗിക്കുന്നു. സാധ്യതകൾ കൈകാര്യം ചെയ്യുന്ന സംവിധാനത്തിനും കോഡിലും ഡാറ്റയിലും നടത്തുന്ന ആഴത്തിലുള്ള അന്വേഷണങ്ങൾക്കും GPT‑6.1 Sol പിന്തുണ നൽകുന്നു. കോഡ് പരിശോധിക്കൽ, ചെറിയ വിലയിരുത്തലുകൾ നടത്തൽ തുടങ്ങിയ പതിവുള്ളതും ചെലവുകുറഞ്ഞതുമായ ജോലികൾ GPT‑6 Luna കൈകാര്യം ചെയ്യുന്നു. സെഷൻ പുനഃസംപ്രേഷണങ്ങളിൽനിന്നുള്ള സ്ക്രീൻഷോട്ടുകൾ ദൃശ്യ അവലംബമാക്കി GPT‑Image‑2.5 Flare ഉൽപ്പന്ന മാതൃകകൾ സൃഷ്ടിക്കുന്നു.

ഒരു സാധ്യത നടപ്പാക്കാൻ തയ്യാറായാൽ, ടീമുകൾക്ക് അത് Wave-ൽനിന്ന് നേരിട്ട് Codex ഉൾപ്പെടെയുള്ള കോഡിംഗ് ഏജന്റുകൾക്ക് അയയ്ക്കാം. നടപ്പാക്കലിന് വഴികാട്ടിയായി സാങ്കേതിക പദ്ധതിയും സ്വീകാര്യതാ മാനദണ്ഡങ്ങളും ഒപ്പമുണ്ടാകും.

“ഉൽപ്പന്നങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള സാധ്യതകൾ കണ്ടെത്താൻ വൻതോതിലുള്ള സെഷൻ പുനഃസംപ്രേഷണങ്ങളും വിശകലന ഡാറ്റയും കോഡും അരിച്ചുപരിശോധിക്കുന്ന ഏജന്റുകൾ അടങ്ങിയ ഏകീകൃത പ്ലാറ്റ്ഫോം ലഭ്യമാക്കുക എന്നതാണ് Wave-ന്റെ ആശയം,” Amplitude-ലെ പ്രിൻസിപ്പൽ AI പ്രോഡക്റ്റ് മാനേജർ ജേക്കബ് ന്യൂമാൻ വിശദീകരിക്കുന്നു.

Amplitude സ്വന്തം മുഖപ്പേജിൽ Wave പരീക്ഷിച്ചു. അവിടെയുള്ള പൊതുവായ നിർദേശ കാർഡുകൾ ഉപയോക്താക്കളെ ഒരു AI ഏജന്റുമായി സംഭാഷണം തുടങ്ങാൻ സഹായിക്കാനായിരുന്നു. ആളുകൾ പലപ്പോഴും അവ ഉപയോഗിക്കുന്നില്ലെന്ന് Wave കണ്ടെത്തി: 100 സെഷൻ പുനഃസംപ്രേഷണങ്ങളുടെ സാമ്പിളിൽ, 80 ഉപയോക്താക്കൾ സ്വന്തം ചോദ്യങ്ങൾ ടൈപ്പ് ചെയ്തു; 12 പേർ മാത്രമാണ് ഒരു നിർദേശം തിരഞ്ഞെടുത്തത്.

സമീപകാല ചാർട്ടുകൾ, ഡാഷ്ബോർഡുകൾ, അല്ലെങ്കിൽ ഉപയോക്താവ് എത്തിയ മുൻപത്തെ പേജ് എന്നിവ ഉപയോഗിച്ച് കാർഡുകൾ വ്യക്തിഗതമാക്കാൻ Wave നിർദേശിച്ചു. മാറ്റം ദൃശ്യമായി അവതരിപ്പിച്ച് അത് ഒരു സാങ്കേതിക പദ്ധതി തയ്യാറാക്കി. സ്വതന്ത്രമായി ടൈപ്പ് ചെയ്യാനുള്ള സൗകര്യം നിലനിർത്തുന്നതും വ്യക്തിഗതമാക്കാൻ ആവശ്യമായ വിവരങ്ങൾ ലഭ്യമല്ലെങ്കിൽ പൊതുവായ നിർദേശങ്ങൾ കാണിക്കുന്നതും ഇതിൽ ഉൾപ്പെട്ടു. ഹ്രസ്വമായ അവലോകനത്തിനുശേഷം ടീം ജോലി ഒരു കോഡിംഗ് ഏജന്റിനെ ഏൽപ്പിക്കുകയും മാറ്റം A/B പരിശോധനയ്ക്ക് വിധേയമാക്കുകയും ചെയ്തു.

Amplitude പങ്കുവെച്ച പരീക്ഷണഫലമനുസരിച്ച്, ഒരു ദിവസത്തിനുശേഷം മുഖപ്പേജിലെ നിർദേശ കാർഡുകൾ വഴി അയച്ച സന്ദേശങ്ങൾ നിയന്ത്രണ ഗ്രൂപ്പിനെ അപേക്ഷിച്ച് 160% വർധിച്ചു. “വിപ്ലവകരമല്ലെന്നതിനാൽ അവഗണിക്കപ്പെടുന്ന കാര്യങ്ങൾപോലും ഫീച്ചറുകളുടെ ഉപയോഗം അപ്രതീക്ഷിതമായി വർധിപ്പിക്കുമെന്നതിന്റെ മികച്ച ഉദാഹരണമാണിത്,” Amplitude-ലെ സീനിയർ പ്രിൻസിപ്പൽ AI എൻജിനീയർ എറിക് കാൾസൺ വിശദീകരിക്കുന്നു.

Wave-ന്റെ വിവിധ ജോലികൾക്ക് മോഡലുകളിൽനിന്ന് വ്യത്യസ്ത കഴിവുകൾ ആവശ്യമാണ്. ആഴത്തിലുള്ള അന്വേഷണത്തിന് കരുത്തുറ്റ റീസണിംഗും ഉറച്ച തെളിവുകളുള്ള നിഗമനങ്ങളും ആവശ്യമാണ്. നൂറുകണക്കിന് തവണ ആവർത്തിക്കുന്ന ഒരു ചെറിയ പരിശോധന വേഗമേറിയതും ചെലവുകുറഞ്ഞതുമായിരിക്കണം. ഓരോ ജോലിക്കും ഗുണനിലവാരം, പ്രതികരണസമയം, ചെലവ് എന്നിവ വിലയിരുത്തിയശേഷം Amplitude അനുയോജ്യമായ മോഡലുകൾ നിയോഗിക്കുന്നു.

Wave-ന്റെ സാധ്യതാന്വേഷക സംവിധാനത്തിനായി, മോഡലുകൾ കണ്ടെത്തലുകൾക്ക് സ്ഥിരീകരണം തേടിയോ, തെറ്റായ സ്ഥിരീകരണങ്ങൾ ഒഴിവാക്കിയോ, വിലയിരുത്തുന്നവരുടെ പ്രതികരണം ഉൾക്കൊണ്ടോ, ടൂൾ തകരാറുകളിൽനിന്ന് വീണ്ടെടുത്തോ, അവകാശവാദങ്ങൾ തെളിവുകൾക്ക് അനുസൃതമായി നിലനിർത്തിയോ എന്നിവ Amplitude വിലയിരുത്തി. GPT‑6.1 Sol മൊത്തത്തിൽ 5-ൽ 4.06 സ്കോർ നേടി. മൂന്ന് ബദൽ മോഡലുകളുടെ സ്കോറുകൾ യഥാക്രമം 3.62, 3.52, 2.94 ആയിരുന്നു. അന്വേഷണത്തിന്റെ അഞ്ച് മാനദണ്ഡങ്ങളിലും അത് മുന്നിലെത്തി. അന്വേഷണസമയത്തിന്റെ മധ്യമാനവും ഏറ്റവും കുറവായിരുന്നു: 54 മിനിറ്റ്.

Wave-ന്റെ ഡാറ്റാ സയൻസ് ഏജന്റിനെ പ്രത്യേകം വിലയിരുത്തിയപ്പോൾ GPT‑6.1 Sol 100-ൽ 67.5 സ്കോർ നേടി; മറ്റൊരു മുൻനിര മോഡൽ 69.3 നേടി. ഓരോ നിയോഗത്തിനുമുള്ള ശരാശരി മോഡൽ ചെലവ് യഥാക്രമം $1.28, $2.63 ആയിരുന്നു. ടൂൾ ഉപയോഗ നിബന്ധനകൾ പാലിക്കൽ, കണക്കാക്കലും അനിശ്ചിതത്വവും, തെളിവുകളിലെ ഗ്രൗണ്ടിംഗ് എന്നിവയിലും GPT‑6.1 Sol ഉയർന്ന സ്കോർ നേടി.

കോഡ് പരിശോധിക്കൽ, ചെറിയ വിലയിരുത്തലുകൾ നടത്തൽ തുടങ്ങിയ വൻതോതിലുള്ള ജോലികൾക്ക് പ്രതികരണസമയവും ചെലവും കുറയ്ക്കാൻ Amplitude GPT‑6 Luna ഉപയോഗിക്കുന്നു. വിദഗ്ധ ഏജന്റുകൾക്കിടയിൽ ജോലി വിഭജിക്കുന്നതിലൂടെ, ചെലവേറിയ റീസണിംഗ് ഏറ്റവും ആവശ്യമായ ജോലികൾക്കായി മാറ്റിവെക്കാൻ ടീമിന് കഴിയുന്നു.

രൂപരേഖകളും മാതൃകകളും സൃഷ്ടിക്കുന്നതിനുള്ള വിലയിരുത്തലിൽ, പരിഹാരത്തിന്റെ രൂപരേഖകൾക്ക് OpenAI-യുടെ ഇമേജ് ജനറേഷൻ മോഡൽ 100-ൽ 80.3 സ്കോർ നേടി. മറ്റൊരു ഇമേജ് ജനറേഷൻ മോഡലിന് 63.9 ആയിരുന്നു സ്കോർ. 15 സാധ്യതകളിലായി ആശയവിനിമയത്തിന്റെ ഗുണനിലവാരം, ഉൽപ്പന്നവുമായുള്ള പൊരുത്തം, നിർദേശങ്ങൾ പാലിക്കൽ, എഴുത്തിന്റെയും ഉപയോക്തൃ സമ്പർക്കമുഖത്തിന്റെയും വായനാക്ഷമത, ദൃശ്യപരമായ ഏകോപനം എന്നിവ Amplitude വിലയിരുത്തി.

വിവിധ വ്യവസായങ്ങളിലെ ഉപഭോക്താക്കൾ ഉൽപ്പന്ന മെച്ചപ്പെടുത്തലുകൾ കണ്ടെത്താനും പുറത്തിറക്കാനും ഇതിനകം Wave-ന്റെ ബീറ്റ പതിപ്പ് ഉപയോഗിക്കുന്നുണ്ട്. Wave സെഷൻ ഡാറ്റയും വിശകലന ഡാറ്റയും പരിശോധിച്ച് ശുപാർശകൾ തയ്യാറാക്കുന്നു. നിർദിഷ്ട പരിഹാരം, സാങ്കേതിക പദ്ധതി, സ്വീകാര്യതാ മാനദണ്ഡങ്ങൾ എന്നിവ ഇതിലുണ്ടാകും.

തുടർന്ന് എത്രത്തോളം സ്വയംപ്രവർത്തനം വേണമെന്ന് ടീമുകൾക്ക് നിയന്ത്രിക്കാം. മിക്ക ടീമുകളും പിഴവുകൾ പരിഹരിക്കുന്ന ജോലികൾ നേരിട്ട് കോഡിംഗ് ഏജന്റുകൾക്ക് അയയ്ക്കുന്നു. എന്നാൽ പുതിയ ഫീച്ചറുകളും വലിയ പരീക്ഷണങ്ങളും മനുഷ്യരുടെ അവലോകനത്തിന് വിധേയമാക്കുന്നു.

പുറത്തിറക്കുന്ന ഘട്ടത്തിലെത്തുന്ന മാറ്റങ്ങൾക്ക്, കണ്ടെത്തലിൽനിന്ന് നടപ്പാക്കലിലേക്കുള്ള സമയം കുറവായിരിക്കാം: ഉപഭോക്താക്കൾ പുറത്തിറക്കിയ പരീക്ഷണങ്ങൾ, ഫ്ലാഗുകൾ, മാർഗദർശികൾ എന്നിവയിൽ നാലിലൊന്ന് Wave സാധ്യത കണ്ടെത്തിയ ദിവസംതന്നെ പ്രവർത്തനക്ഷമമായി. പകുതിയും നാല് ദിവസത്തിൽ താഴെയും മൂന്നിൽ രണ്ടും ഒരാഴ്ചയ്ക്കുള്ളിലും പ്രവർത്തനക്ഷമമായി.

“സ്വയം മെച്ചപ്പെടുന്ന ഉൽപ്പന്നങ്ങൾ സൃഷ്ടിക്കുന്ന രീതിയിലേക്ക് കമ്പനികളുടെ സോഫ്റ്റ്‌വെയർ നിർമാണം മാറ്റുക എന്നതാണ് OpenAI-യോടൊപ്പമുള്ള ഞങ്ങളുടെ ലക്ഷ്യം,” സ്കേറ്റ്സ് പറയുന്നു. റീസണിംഗിലും കോഡിംഗിലും OpenAI-യുടെ മോഡലുകൾ മെച്ചപ്പെടുന്നതോടെ, കൂടുതൽ അന്വേഷണ-നടപ്പാക്കൽ ജോലികൾ ഏജന്റുകളെ ഏൽപ്പിക്കാൻ ടീമുകൾക്ക് കഴിയും. ഇതിലൂടെ മികച്ച ഉൽപ്പന്നങ്ങൾ കൂടുതൽ വേഗത്തിൽ ഉപയോക്താക്കളിലെത്തും. ടീം മറ്റു മുൻഗണനകളിൽ ശ്രദ്ധിക്കുമ്പോൾ ഏജന്റുകൾ സ്വന്തം ഉൽപ്പന്നത്തിൽ മെച്ചപ്പെടുത്തലുകൾ കണ്ടെത്തി നടപ്പാക്കാൻ സഹായിക്കുന്നതിലൂടെ Amplitude ഇത് ഇതിനകം അനുഭവിച്ചറിയുന്നു: “ഉൽപ്പന്നം മെച്ചപ്പെടുത്താൻ സോഫ്റ്റ്‌വെയർ ഒപ്പം പ്രവർത്തിക്കുമ്പോൾ തങ്ങൾക്ക് എത്രയധികം കാര്യങ്ങൾ സാധിക്കുമെന്ന് കണ്ട് ടീമുകൾ അമ്പരക്കുമെന്നാണ് ഞാൻ കരുതുന്നത്.”