Codex ഉപയോഗിച്ച് സ്വയം-മെച്ചപ്പെടുന്ന നികുതി ഏജന്റുകൾ നിർമ്മിക്കൽ

വിദഗ്ദ്ധരുടെ വൈദഗ്ധ്യവും Codex നിയന്ത്രിത ലൂപ്പും തമ്മിൽ സംയോജിപ്പിച്ചുകൊണ്ട്, Crete-ലെ അക്കൗണ്ടന്റുമാർക്കായി Thrive Holdings-ഉം OpenAI-യും ചേർന്ന് എങ്ങനെയാണ് ടാക്സ് AI സഹവികസിപ്പിച്ചത്

ലാബുകളിൽ പരീക്ഷിക്കുന്നതിനേക്കാൾ തികച്ചും വ്യത്യസ്തമായാണ് യഥാർത്ഥ സിസ്റ്റങ്ങൾ പ്രൊഡക്ഷനിൽ പ്രവർത്തിക്കുന്നത്. അതിനാൽ തന്നെ വിന്യാസത്തിന് മുമ്പ് പ്രവചിക്കാൻ ബുദ്ധിമുട്ടുള്ള രീതിയിലുള്ള പരാജയങ്ങൾ ഇവയിൽ സംഭവിക്കാറുണ്ട്. പലപ്പോഴും ലോഞ്ചിന് ശേഷമാണ് ടീമുകൾ ഇത്തരം പരാജയങ്ങൾ കണ്ടെത്തുന്നത്; തുടർന്ന് ആഴ്ചകളോളം ഇതിലെ സങ്കീർണ്ണമായ കേസുകൾ പരിശോധിക്കുന്നതിനും, പ്രോംപ്റ്റുകൾ ക്രമീകരിക്കുന്നതിനും, പ്രൊഡക്ഷനിൽ നിന്നുള്ള ഫീഡ്‌ബാക്കുകളെ ശാശ്വതമായ ഉൽപ്പന്ന മെച്ചപ്പെടുത്തലുകളാക്കി മാറ്റുന്നതിനും സമയം ചെലവഴിക്കേണ്ടി വരുന്നു. ഈ ഫീഡ്‌ബാക്ക് ലൂപ്പ് തികച്ചും മാനുവലും പതുക്കെയുള്ളതുമാണ്, കൂടാതെ ഒരു എഞ്ചിനീയർ ഇടപെട്ടാൽ മാത്രമേ ഇത് മുന്നോട്ട് നീങ്ങുകയുമുള്ളൂ. എന്നാൽ ഇന്ന്, ചിന്താപൂർവ്വം രൂപകൽപ്പന ചെയ്ത ഇവാല്വേഷൻ ഇൻഫ്രാസ്ട്രക്ചർ, വിദഗ്ദ്ധരിലേക്കും യഥാർത്ഥ സാഹചര്യങ്ങളിലേക്കുമുള്ള നേരിട്ടുള്ള ആക്സസ്, കൂടാതെ Codex-ന്റെ അത്യാധുനിക ഏജന്റിക് കഴിവുകൾ എന്നിവയിലൂടെ നിങ്ങൾക്ക് സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകളെ നിർമ്മിക്കാൻ സാധിക്കും.

ഈ പോസ്റ്റിൽ, ഇത്തരമൊരു ഏജന്റിനെ നിർമ്മിക്കാൻ ഞങ്ങൾ എങ്ങനെയാണ് Codex ഉപയോഗിച്ചതെന്ന് വ്യക്തമാക്കുന്നു. കഴിഞ്ഞ ആറ് മാസങ്ങളായി, OpenAI-യുടെ ഫോർവേഡ് ഡിപ്ലോയ്ഡ് എഞ്ചിനീയർമാരും ഗവേഷകരും Thrive Holdings-ന്റെ എഞ്ചിനീയർമാരുമായി സഹകരിച്ച്, കൂടുതൽ സങ്കീർണ്ണമായ നികുതി റിട്ടേണുകൾ തയ്യാറാക്കാൻ സഹായിക്കുന്നതിനായി Crete⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-ന്റെ മുപ്പതിലധികം അക്കൗണ്ടിംഗ് സ്ഥാപനങ്ങളുടെ ശൃംഖലയ്ക്കൊപ്പം ടാക്സ് AI വികസിപ്പിച്ചെടുത്തു. ഓരോ പരാജയങ്ങളും കണ്ടെത്തി പരിഹരിക്കുന്നതിന് എഞ്ചിനീയർമാരെ മാത്രം ആശ്രയിക്കുന്നതിന് പകരം, സ്വയംഭരണപരമായ മെച്ചപ്പെടുത്തലുകൾക്ക് കരുത്തേകുന്ന ഘടനാപരമായ സിഗ്നലുകളാക്കി പ്രൊഡക്ഷൻ ഉപയോഗത്തെ മാറ്റാൻ ടാക്സ് AI Codex-നെ ഉപയോഗിക്കുന്നു.

Crete-ലെ പ്രാക്ടീഷണർമാർ ഓരോ സീസണിലും പതിനായിരക്കണക്കിന് നികുതി റിട്ടേണുകൾ തയ്യാറാക്കുന്നു; അതിന് അടിസ്ഥാനമായ ലക്ഷക്കണക്കിന് ഡോക്യുമെന്റുകൾ കൈകാര്യം ചെയ്യേണ്ടതുണ്ട്. ഇടത്തരം മുതൽ വലിയ സങ്കീർണ്ണതയുള്ള ഫയലിംഗുകൾക്കായി, ഡാറ്റ എൻട്രിക്ക് മാത്രം ഓരോ റിട്ടേണിനും എട്ട് മണിക്കൂർ വരെ എടുക്കാം; പലപ്പോഴും അലങ്കോലമായ ഡാറ്റ സോഴ്‌സുകൾ, മുൻവർഷ ഡോക്യുമെന്റുകൾ, മാനുവൽ എക്സ്ട്രാക്ഷൻ, കണക്കുകൂട്ടൽ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. നികുതി സീസണിലെ ഏറ്റവും തിരക്കേറിയ ഘട്ടത്തിൽ നികുതി തയ്യാറാക്കൽ ഒരു പ്രധാന തടസ്സമാണെന്ന് അവർ ഞങ്ങളോട് ചൂണ്ടിക്കാട്ടി.

ഈ പ്രശ്നം പരിഹരിക്കാൻ, ഈ നികുതി സീസണിൽ പൈലറ്റിൽ പങ്കെടുത്ത Crete സ്ഥാപനങ്ങളിലുടനീളം ടാക്സ് AI 7,000 നികുതി റിട്ടേണുകൾ പ്രോസസ്സ് ചെയ്തു. 1040, 1041 നികുതി റിട്ടേണുകൾ തയ്യാറാക്കുന്ന സമയം കൂടുതലെടുക്കുന്ന പ്രക്രിയയുടെ വലിയൊരു ഭാഗം സിസ്റ്റം ഓട്ടോമേറ്റ് ചെയ്യുന്നു; എന്നാൽ കാര്യക്ഷമതയിലെ നേട്ടങ്ങളെക്കാൾ കൂടുതൽ ആകർഷകമായത്, മൂന്ന് മാസം മുമ്പ് ആദ്യമായി വിന്യസിച്ച പതിപ്പിനേക്കാൾ അളക്കാവുന്ന രീതിയിൽ മികച്ചതാണ് നിലവിലെ സിസ്റ്റം എന്നതാണ്.

ടാക്സ് AI-ൽ, വിദഗ്ദ്ധർ ക്ലയന്റുമായി ബന്ധപ്പെട്ട പ്രത്യേക കുറിപ്പുകളോടൊപ്പം അവരുടെ സോഴ്സ് ഫയലുകളും അപ്‌ലോഡ് ചെയ്യുന്നു. തുടർന്ന് ടാക്സ് AI അവലോകനത്തിന് സജ്ജമായ രീതിയിൽ ഒരു ടാക്സ് എഞ്ചിൻ സബ്മിഷൻ തയ്യാറാക്കുന്നു. ഇത് നികുതി തയ്യാറാക്കലിനായി വിദഗ്ദ്ധർ ചെലവഴിക്കുന്ന സമയത്തിന്റെ മൂന്നിലൊന്ന് ലാഭിക്കുകയും, 97% വരെ കൃത്യതയോടെ റിട്ടേണുകൾ ഡ്രാഫ്റ്റ് ചെയ്യുകയും ചെയ്യുന്നു. കൂടാതെ ത്രൂപുട്ട് ഏകദേശം 50% വർദ്ധിപ്പിക്കുകയും, അതിലൂടെ ക്ലയന്റുകളുമായി കൂടുതൽ സമയം ചെലവഴിക്കുന്നതിന് അവർക്ക് കൂടുതൽ അവസരമൊരുക്കുകയും ചെയ്യുന്നു.

പിന്നീട് തിരുത്തൽ ആവശ്യമില്ലാതെ ടാക്സ് AI ഒരു റിട്ടേൺ എത്ര കൃത്യമായി പൂർത്തിയാക്കുന്നു എന്ന് മനസ്സിലാക്കുന്നതിലൂടെ ഈ മെച്ചപ്പെടുത്തൽ ഞങ്ങൾക്ക് അളക്കാനാകും. 75%, 90%, അല്ലെങ്കിൽ 100% ശരിയായ ഫീൽഡ് പൂർത്തീകരണത്തിലെത്തുന്ന റിട്ടേണുകളുടെ വിഹിതം പരിശോധിച്ചാണ് ഞങ്ങൾ കൃത്യത അളക്കുന്നത്. ലോഞ്ച് സമയത്ത്, റിട്ടേണുകളുടെ നാലിലൊന്ന് മാത്രമാണ് 75% ശരിയായ ഫീൽഡ് പൂർത്തീകരണത്തിലെത്തിയത്; എന്നാൽ ആറാഴ്ചയ്ക്കുള്ളിൽ 86% ആ നിലയിലെത്തി. 90%, 100% ശരിയായ ഫീൽഡ് പൂർത്തീകരണ നിലകളിൽ സിസ്റ്റം ഇതിലും വേഗത്തിലുള്ള വളർച്ച കാണിച്ചു. വ്യത്യസ്ത റിട്ടേണുകൾക്ക് ഇപ്പോഴും എത്ര പ്രാക്ടീഷണർ ഫോളോ-അപ്പ് ആവശ്യമാണെന്ന് കാണാനുള്ള പ്രായോഗിക കാഴ്ചപ്പാട് ഈ പരിധികൾ ഞങ്ങൾക്ക് നൽകുന്നു. 

തുടക്കത്തിൽ, W-2, 1099 തുടങ്ങിയ ലളിതമായ ജോലികളാണ് ടാക്സ് AI കൈകാര്യം ചെയ്തിരുന്നത്. സീസൺ മുന്നോട്ട് പോയതോടെ, K-1, മറ്റ് ഷെഡ്യൂളുകൾ, കൂടുതൽ സങ്കീർണ്ണമായ കേസുകൾ എന്നിവ ഉൾപ്പെടുന്ന കൂടുതൽ സങ്കീർണ്ണമായ റിട്ടേണുകളിലേക്ക് അത് നീങ്ങി. ഓരോ പുതിയ ശേഷിയും ഓരോ റിട്ടേണിനും മുമ്പത്തേക്കാൾ കൂടുതൽ സമയം ലാഭിക്കാൻ സഹായിച്ചു; കാരണം അത് ഏറ്റെടുത്ത ജോലികൾ സ്വയം മാനുവലായി ചെയ്യാൻ കൂടുതൽ ബുദ്ധിമുട്ടേറിയതും സമയമെടുക്കുന്നതുമായിരുന്നു. ഇന്നും ഇതിന്റെ തുടർച്ചയായ പുരോഗതി നമ്മൾ കണ്ടുകൊണ്ടിരിക്കുകയാണ്.

അടുത്തതായി, ഇനിപ്പറയുന്ന മൂന്ന് പ്രധാന തൂണുകളെ അടിസ്ഥാനമാക്കി ടാക്സ് AI-യെ സ്വയം മെച്ചപ്പെടുന്ന രീതിയിൽ ഞങ്ങളുടെ ടീമുകൾ എങ്ങനെയാണ് സഹവികസിപ്പിച്ചെടുത്തതെന്ന് ഞങ്ങൾ വിശദീകരിക്കാം: 1) വിദഗ്ദ്ധരായ പ്രാക്ടീഷണർമാരുടെ ഫീഡ്‌ബാക്ക്, 2) പ്രൊഡക്ഷൻ ട്രെയ്സുകൾ (ഇൻപുട്ടുകൾ മുതൽ അന്തിമ ഔട്ട്പുട്ട് വരെയുള്ള ഘടനാപരമായ ചരിത്രം), 3) തുടർച്ചയായതും വേഗതയേറിയതുമായ ഉൽപ്പന്ന വികസനം സാധ്യമാക്കുന്നതിനായി പ്രത്യേകം തയ്യാറാക്കിയ ഇവാല്വേഷനുകളെ അടിസ്ഥാനമാക്കിയുള്ള Codex നിയന്ത്രിത ഇറ്ററേഷൻ ലൂപ്പ്. ഒരു സിസ്റ്റത്തിന്റെ ഗുണനിലവാരവും അതിലൂടെ കടന്നുപോകുന്ന ഡാറ്റയും രൂപപ്പെടുത്തുന്നതിൽ വിദഗ്ദ്ധരുടെ വൈദഗ്ധ്യം പ്രധാന പങ്കുവഹിക്കുന്ന മറ്റ് മേഖലകളിലെ ഡെവലപ്പർമാർക്കും ഞങ്ങളുടെ ഈ അനുഭവം ഉപകാരപ്പെടുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

നികുതി തയ്യാറാക്കലിന്റെ കൂടുതൽ സങ്കീർണ്ണമായ ഭാഗങ്ങളിലേക്ക് (K-1, റെന്റൽ റിയൽ എസ്റ്റേറ്റ് ഷെഡ്യൂളുകൾ, ഒന്നിലധികം സോഴ്സ് ഫയലുകളിലെ മൂല്യങ്ങൾ ഒത്തുനോക്കേണ്ടി വരുന്ന ടാക്സ് ഫോമുകൾ എന്നിവ) ഞങ്ങൾ കടന്നപ്പോൾ, പ്രൊഡക്ഷനിൽ സംഭവിക്കുന്ന സങ്കീർണ്ണമായ പരാജയങ്ങളെ ഈ പ്രൊഡക്റ്റിന് എത്രത്തോളം വ്യക്തമായി കാണിക്കാനും, മനസ്സിലാക്കാനും, പരിഹരിക്കാൻ പാകത്തിലാക്കാനും സാധിക്കും എന്നതായിരുന്നു യഥാർത്ഥ വെല്ലുവിളിയെന്ന് വ്യക്തമായി.

ഈ പ്രൊഡക്റ്റിന്റെ ആദ്യകാലങ്ങളിൽ, തിരുത്തലുകൾ ഭൂരിഭാഗവും മാനുവൽ ആയിരുന്നു. സിസ്റ്റത്തിൽ വരുന്ന പിഴവുകൾ തിരുത്താൻ വിദഗ്ദ്ധർക്ക് സാധിച്ചിരുന്നുവെങ്കിലും, പ്രൊഡക്റ്റിന് അതിന്റെ മുഴുവൻ പശ്ചാത്തലവും കൃത്യമായി രേഖപ്പെടുത്താൻ കഴിഞ്ഞിരുന്നില്ല; ഫയൽ ചെയ്യുന്നതിന് തൊട്ടുമുമ്പ് മാറ്റുന്ന ഒരു മൂല്യം ചിലപ്പോൾ ഒരു എക്‌സ്‌ട്രാക്ഷൻ പൂർണ്ണമായി വിട്ടുപോയതിനാലോ, ഒരു മാപ്പിംഗ് പ്രശ്നം മൂലമോ, ഉൽപ്പന്നത്തിന്റെ പിന്തുണയില്ലാത്തത് കാരണമോ, അല്ലെങ്കിൽ പ്രതീക്ഷിക്കുന്ന സാധാരണ പിഴവുകൾ കാരണമോ ആകാം. അത്തരം കേസുകൾ തരംതിരിക്കുന്നതിന് എഞ്ചിനീയറിംഗ് ടീമിന്റെ തുടർനടപടികൾ ആവശ്യമായിരുന്നു. എഞ്ചിനീയർമാർക്ക് കോഡിംഗ് ഏജന്റുകൾ ഉപയോഗിക്കാമായിരുന്നെങ്കിലും, ഈ സിസ്റ്റം ഒരു ഇംപ്രൂവ്‌മെന്റ് ലൂപ്പിനുള്ളിൽ AI അർത്ഥപൂർണ്ണമായി ഉപയോഗിക്കാൻ തക്കവണ്ണം രൂപകൽപ്പന ചെയ്തിരുന്നില്ല. അതിനാൽ തന്നെ, പരിഹരിക്കേണ്ട യഥാർത്ഥ പ്രശ്നം കൃത്യമായി തിരിച്ചറിയാനുള്ള വ്യക്തമായ സിഗ്നലുകൾ ഞങ്ങൾക്ക് ലഭിച്ചിരുന്നില്ല.

അത് സിസ്റ്റത്തെ മൂന്ന് തൂണുകളെ ചുറ്റിപ്പറ്റി രൂപകൽപ്പന ചെയ്യാൻ ഞങ്ങളെ നയിച്ചു:

1. വിദഗ്ദ്ധരുമായി എപ്പോഴും ചേർന്നുനിൽക്കുക: ജോലി ചെയ്യുന്ന ആളുകൾ തന്നെയായിരിക്കണം ഈ പ്രൊഡക്റ്റ് എന്ത് പഠിക്കണമെന്ന് നയിക്കേണ്ടത്. അവരുടെ അവബോധവും ധാരണയും ഏത് തരം തെറ്റുകളാണ് കൂടുതൽ പ്രാധാന്യമുള്ളതെന്ന് വെളിപ്പെടുത്തുകയും, വർക്ക്ഫ്ലോയുടെ ഏത് ഭാഗങ്ങളിലാണ് അടുത്തതായി ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടതെന്ന് തീരുമാനിക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു.
2. ഉൽപ്പാദനം തന്നെ തെളിവുകൾ സൃഷ്ടിക്കുന്ന രീതിയിൽ ഉൽപ്പന്നം നിർമ്മിക്കുക: വെറും ഇൻപുട്ടുകളും ഔട്ട്പുട്ടുകളും മാത്രം രേഖപ്പെടുത്തിയാൽ പോരാ; മറിച്ച് സോഴ്സ് മെറ്റീരിയലിൽ തുടങ്ങി, എക്‌സ്‌ട്രാക്റ്റ് ചെയ്ത ഫീൽഡുകളിലേക്കും അതിന്റെ ഉറവിടങ്ങളിലേക്കും, തുടർന്ന് ഡൗൺസ്ട്രീം സബ്മിഷനിലേക്കും വിദഗ്ദ്ധർ വരുത്തുന്ന തിരുത്തലുകളിലേക്കുമുള്ള സമ്പൂർണ്ണമായ പാതയെ ഈ ഉൽപ്പന്നം കൃത്യമായി രേഖപ്പെടുത്തേണ്ടതുണ്ട്.
3. ഒരു Codex നിയന്ത്രിത ഇംപ്രൂവ്‌മെന്റ് ലൂപ്പ് സൃഷ്ടിക്കുക: പ്രൊഡക്ഷൻ പ്രശ്നങ്ങൾ വ്യക്തവും ഘടനാബദ്ധവുമായിക്കഴിഞ്ഞാൽ, അവ കണ്ടെത്തലുകളായും പ്രത്യേകം തയ്യാറാക്കിയ ഇവാല്വേഷനുകളായും നിർദ്ദിഷ്ട എഞ്ചിനീയറിംഗ് ജോലികളായും മാറ്റാൻ സാധിക്കും. തുടർന്ന്, ഇവയെക്കുറിച്ച് അന്വേഷിക്കാനും മാറ്റങ്ങൾ നിർദ്ദേശിക്കാനും ടാർഗെറ്റഡ്/റിഗ്രഷൻ ഇവാല്വേഷനുകൾ ഉപയോഗിച്ച് അവ സാധൂകരിക്കാനും Codex-ന് സാധിക്കുന്നു; ഇത് പൂർണ്ണമായും മാനുവൽ ആയ ഒരു ഇറ്ററേഷൻ സൈക്കിളിനേക്കാൾ വേഗത്തിൽ ഉൽപ്പന്നത്തെ മുന്നോട്ട് നയിക്കാൻ സഹായിക്കുന്നു. 

താഴെ നൽകിയിരിക്കുന്ന വാടക പ്രോപ്പർട്ടികളുടെ ഉദാഹരണം ആ ലൂപ്പ് പ്രായോഗികമായി എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നതെന്ന് കാണിച്ചുതരുന്നു; ഇതിലൂടെ ഒരു വിദഗ്ദ്ധന്റെ തിരുത്തൽ എങ്ങനെയാണ് ഘടനാബദ്ധമായ ഒരു കണ്ടെത്തലായി മാറുന്നതെന്നും, തുടർന്ന് അത് ഒരു ഇവാല്വേഷൻ ലക്ഷ്യമായും, ഒടുവിൽ Codex-ന് കൈകാര്യം ചെയ്യാൻ പാകത്തിലുള്ള ഒരു എഞ്ചിനീയറിംഗ് ജോലിയായും മാറുന്നത് എങ്ങനെയെന്നും നിങ്ങൾക്ക് മനസ്സിലാക്കാം.

വാടക പ്രോപ്പർട്ടികളിൽ നിന്നുള്ള വരുമാനം ഒരു വ്യക്തിഗത നികുതി റിട്ടേണിന്റെ ഷെഡ്യൂൾ E-യിലാണ് രേഖപ്പെടുത്തുന്നത്. എഞ്ചിനീയറിംഗ് വീക്ഷണകോണിൽ നോക്കുകയാണെങ്കിൽ, ഇത് എക്സ്ട്രാക്റ്റ് ചെയ്യുക എന്ന ജോലി വിവരിക്കാൻ എളുപ്പമാണെങ്കിലും കൃത്യതയോടെ ചെയ്യുക എന്നത് വളരെ ബുദ്ധിമുട്ടേറിയ കാര്യമാണ്. സിസ്റ്റത്തിന് വ്യക്തമല്ലാത്ത സോഴ്സ് മെറ്റീരിയലുകൾ (കൈപ്പടയിലുള്ള കുറിപ്പുകൾ, ഇമെയിലുകൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, മറ്റ് ക്ലയന്റ് ഫയലുകൾ) വായിച്ചെടുക്കേണ്ടതുണ്ട്; അതിൽ നിന്നും ടാക്സ് എഞ്ചിനിലേക്ക് കൃത്യമായി മാപ്പ് ചെയ്യാൻ സാധിക്കുമെന്ന് സിസ്റ്റത്തിന് ഉറപ്പുള്ള റെന്റൽ-പ്രോപ്പർട്ടി ഫീൽഡുകൾ വേർതിരിച്ചെടുക്കുകയും വേണം, ഒപ്പം വിദഗ്ദ്ധരായ പ്രാക്ടീഷണർമാർക്ക് ഇതിന്റെ ഫലം പരിശോധിച്ച് അംഗീകരിക്കാനോ തിരുത്താനോ ആവശ്യമായ തെളിവുകൾ നിലനിർത്തുകയും വേണം. അത്തരം സോഴ്സ് ഫയലുകളും അതിൽ നിന്ന് എക്സ്‌ട്രാക്റ്റ് ചെയ്ത ഔട്ട്പുട്ടുകളും എങ്ങനെയുണ്ടായിരിക്കുമെന്ന് താഴെ നൽകിയിരിക്കുന്ന ലളിതമായ ഉദാഹരണം കാണിച്ചുതരുന്നു.

ഏജന്റ് പ്രവചിച്ച മൂല്യവും ഫയൽ ചെയ്ത നികുതി റിട്ടേണിലെ യഥാർത്ഥ മൂല്യവും തമ്മിലുള്ള വ്യത്യാസം യഥാർത്ഥ എക്സ്‌ട്രാക്ഷൻ പിഴവിനെ സൂചിപ്പിക്കാം; പക്ഷേ അത് ഒരു പ്രാക്ടീഷണറുടെ മുൻഗണനയോ, നികുതി എഞ്ചിനിലെ മുൻവർഷ റിട്ടേണിൽ നിന്ന് കൊണ്ടുവന്ന മൂല്യമോ, അല്ലെങ്കിൽ ഫയലിംഗ് വർക്ക്‌ഫ്ലോയിലെ മറ്റെവിടെയെങ്കിലും ചേർത്തതോ മാറ്റിയതോ ആയ മൂല്യമോ ആകാം. ഏത് പ്രവർത്തനങ്ങൾക്ക് പ്രാക്ടീഷണറുടെ തിരുത്തൽ ആവശ്യമായിരുന്നു, അല്ലെങ്കിൽ ഏത് പ്രവർത്തനങ്ങൾ സമർപ്പണം തടഞ്ഞു എന്ന് തിരിച്ചറിയാൻ, ആ കേസുകൾ വേർതിരിച്ചറിയാൻ പ്രാക്ടീഷണർമാർ ഞങ്ങളെ സഹായിച്ചു.

ഈ തിരുത്തലുകൾ വിശദമായി കാണാനായതിനാൽ, അവലോകന പ്രക്രിയയെ പരാജയത്തിന് ശേഷമുള്ള അവസാന ഘട്ടത്തിൽ നിന്ന് തുടർച്ചയായ പഠന സൈക്കിളായി ഞങ്ങൾ മാറ്റി. വിദഗ്ധരുടെ പ്രവർത്തനങ്ങളെ ഘടനാബദ്ധമായ ഡാറ്റയായി പകർത്താൻ കഴിയുന്ന വിധത്തിൽ ഞങ്ങൾ വർക്ക്‌ഫ്ലോ രൂപകൽപ്പന ചെയ്തു. ഇപ്പോൾ, ടാക്സ് AI എന്താണ് നിർദേശിച്ചത്, പ്രാക്ടീഷണർ എന്താണ് മാറ്റിയത്, ഒടുവിൽ ഫയൽ ചെയ്ത റിട്ടേണിൽ എന്താണ് ഉൾപ്പെട്ടത് എന്നിവ കൃത്യമായി രേഖപ്പെടുത്തി, ഓരോ ഇടപെടലും ഉൽപ്പന്നത്തിന്റെ മെച്ചപ്പെടുത്തൽ ലൂപ്പിനെ പോഷിപ്പിക്കുന്നു.

വാടക പ്രോപ്പർട്ടികൾ പോലുള്ള സങ്കീർണ്ണ വർക്ക്‌ഫ്ലോയിൽ, സോഴ്‌സ് ഫയലുകളും ഫയൽ ചെയ്ത റിട്ടേണും തമ്മിൽ എന്ത് സംഭവിക്കുന്നു എന്നത് സിസ്റ്റം സംരക്ഷിക്കണം. ആ വഴിയിൽ, ഡോക്യുമെന്റുകൾ ക്രമീകരിക്കപ്പെടുകയും വിഭജിക്കപ്പെടുകയും വർഗ്ഗീകരിക്കപ്പെടുകയും ചെയ്യുന്നു; വാടക-പ്രോപ്പർട്ടി ഫീൽഡുകൾ സോഴ്‌സ് മെറ്റീരിയലിലേക്കുള്ള ഉദ്ധരണികളോടെ എക്സ്ട്രാക്റ്റ് ചെയ്യപ്പെടുന്നു; ആ മൂല്യങ്ങൾ നികുതി എഞ്ചിനിലേക്ക് മാപ്പ് ചെയ്യപ്പെടുന്നു; ഫയൽ ചെയ്യുന്നതിന് മുമ്പ് പ്രാക്ടീഷണർമാർ അവ തിരുത്താനും ഇടയുണ്ട്. ആ ഉൽപ്പന്ന-തല ട്രേസുകൾ പരാജയം എവിടെ സംഭവിച്ചുവെന്ന് അന്വേഷിക്കൽ സാധ്യമാക്കുന്നു. പ്രാക്ടീഷണറുടെ തിരുത്തലുകളെ പ്രയോജനകരമായ മൂല്യനിർണയ ലക്ഷ്യങ്ങളാക്കാൻ, സിസ്റ്റം അവയെ മൂന്ന് ഘട്ടങ്ങളിലായി പ്രോസസ്സ് ചെയ്യുന്നു:

• വ്യത്യാസം പകർത്തുക: പ്രതീക്ഷിച്ച മൂല്യം, പ്രവചിച്ച മൂല്യം, വ്യത്യാസം നടപ്പിലാക്കാവുന്നതാണോ എന്നിവ പകർത്തുന്ന ഫീൽഡ്-തല അവലോകന നിരകൾ സൃഷ്ടിക്കാൻ ടാക്സ് AI-യുടെ ഔട്ട്പുട്ട് ഫയൽ ചെയ്ത റിട്ടേണുമായി താരതമ്യം ചെയ്യുന്നു.
• ബന്ധപ്പെട്ട പരാജയങ്ങളെ ഗ്രൂപ്പ് ചെയ്യുക: ആവർത്തിക്കുന്ന ഉൽപ്പന്ന പരാജയങ്ങളെ പ്രതീക്ഷിക്കാവുന്ന വർക്ക്ഫ്ലോ ശബ്ദത്തിൽ നിന്ന് വേർതിരിക്കാൻ സമാനമായ അവലോകന നിരകൾ ഗ്രൂപ്പ് ചെയ്യുന്നു. ഉദാഹരണത്തിന്, വിദഗ്ദ്ധർ ആവർത്തിച്ച് വരുത്തുന്ന തിരുത്തലുകൾ പരിശോധിക്കുമ്പോൾ, ടാക്സ് AI പലപ്പോഴും ഫെയർ-റെന്റൽ-ഡേ ഫീൽഡുകൾ വിട്ടുപോകുന്നുവെന്നോ, "മറ്റ് ചെലവുകൾ" തെറ്റായി കൈകാര്യം ചെയ്യുന്നുവെന്നോ, അല്ലെങ്കിൽ ഒരേ സോഴ്സ് പാക്കേജിലുള്ള ഒന്നിലധികം വാടക പ്രോപ്പർട്ടികൾ തമ്മിൽ മാറിപ്പോകുന്നുവെന്നോ വ്യക്തമായേക്കാം.
• ആവർത്തിക്കുന്ന മാതൃകകളെ ഇവാല്വേഷൻ ലക്ഷ്യങ്ങളാക്കുക: അവലോകനം ചെയ്ത് അളന്നതിന് ശേഷം, ആവർത്തിക്കുന്ന കണ്ടെത്തലുകൾ Codex മെച്ചപ്പെടുത്താനുള്ള വ്യക്തമായ ഇവാല്വേഷൻ ലക്ഷ്യങ്ങളാകുന്നു.

മൂന്നാമത്തെ തൂൺ, ഈ പുതിയ ഇവാല്വേഷനിൽ പ്രവർത്തിക്കാൻ കഴിയുന്ന ഒരു എഞ്ചിനീയറിംഗ് ലൂപ്പ് സൃഷ്ടിക്കുന്നു. ഇവിടെയാണ് Codex കേന്ദ്രസ്ഥാനമാകുന്നത്.

നമ്മുടെ മൂല്യനിർണ്ണയ പൈപ്പ്‌ലൈൻ ടാക്‌സ് AI തുടർച്ചയായി "ഫെയർ റെന്റൽ ഡേയ്‌സ്" ഫീൽഡ് വിട്ടുപോകുന്നുവെന്ന് അടയാളപ്പെടുത്തുകയും, എന്നാൽ വിദഗ്ദ്ധർ അത് കൃത്യമായി പൂരിപ്പിക്കുകയും ചെയ്യുന്നു എന്ന് കരുതുക. ഈ കണ്ടെത്തൽ ഇതിനകം തന്നെ മാതൃകാപരമായ സോഴ്സ് പാക്കേജുകളും പ്രതീക്ഷിക്കുന്ന ഔട്ട്പുട്ടുകളും ഉൾക്കൊള്ളുന്ന ഒരു നിർദ്ദിഷ്ട ഇവാല്യൂഷൻ സെറ്റായി മാറ്റിയിട്ടുള്ളതിനാൽ, Codex-ന് ഇതിന്റെ മൂലകാരണം ഉൽപ്പന്ന ഘടനയ്ക്കുള്ളിൽ നിന്ന് തന്നെ നേരിട്ട് പരിശോധിക്കാൻ സാധിക്കും.

Codex കേവലം ഗുണനിലവാരം കുറഞ്ഞ ഒരു അന്തിമ ഔട്ട്പുട്ട് മാത്രമായിട്ടല്ല പ്രവർത്തിക്കുന്നത്. അത് ട്രെയ്സ്, ഇവാല്യൂഷൻ, റിപ്പോസിറ്ററി, സ്കില്ലുകൾ എന്നിവയെല്ലാം ഒരുമിച്ച് പരിശോധിക്കുന്നു:

• പൈപ്പ്‌ലൈൻ അന്വേഷിക്കുക: സോഴ്സ് പാക്കേജുകൾ, എക്‌സ്‌ട്രാക്ഷൻ സ്കീമകൾ, മാപ്പർ സ്വഭാവം, കോഡ് പാത്തുകൾ എന്നിവ പരിശോധിച്ച്, ഈ പ്രശ്നം പിന്തുണയ്ക്കാത്ത ഫീൽഡ് കാരണമാണോ, വിട്ടുപോയ എക്‌സ്‌ട്രാക്ഷൻ പാറ്റേൺ കാരണമാണോ, സോഴ്സ് തിരഞ്ഞെടുപ്പിലെ പ്രശ്നമാണോ, മാപ്പർ ഗ്യാപ് ആണോ, അതോ ഗ്രേഡർ പ്രശ്നമാണോ എന്ന് നിർണ്ണയിക്കുക.
• ലക്ഷ്യബദ്ധമായ പരിഹാരങ്ങൾ നടപ്പാക്കുക: എക്‌സ്‌ട്രാക്ഷൻ സ്കീമ വിപുലീകരിക്കുക, വാടക പ്രോപ്പർട്ടി രേഖകൾക്കായുള്ള സോഴ്സ് തിരഞ്ഞെടുപ്പ് മെച്ചപ്പെടുത്തുക, ടാക്സ് എഞ്ചിൻ മാപ്പർ അപ്ഡേറ്റ് ചെയ്യുക, അല്ലെങ്കിൽ പ്രതീക്ഷിക്കുന്ന സാധാരണ വർക്ക്ഫ്ലോ പിഴവുകൾ പരാജയമായി കണക്കാക്കുന്നുണ്ടെങ്കിൽ ഗ്രേഡർ കൂടുതൽ കൃത്യതയുള്ളതാക്കുക.
• സാധൂകരിച്ച് നിർദേശിക്കുക: നിർദ്ദിഷ്ട ഇവാല്യൂഷൻ വീണ്ടും പ്രവർത്തിപ്പിക്കുക, കൂടുതൽ വിപുലമായ റിഗ്രഷൻ സ്യൂട്ടുകൾ റൺ ചെയ്യുക, കൂടാതെ എഞ്ചിനീയറിംഗ് അവലോകനത്തിനായി അനുയോജ്യമായ ഒരു പുൾ റിക്വസ്റ്റ് സമർപ്പിക്കുക.
• ലൂപ്പ് അടയ്ക്കുക: ആവർത്തിക്കുന്ന പ്രാക്ടീഷണർ തിരുത്തലിനെ അളക്കാവുന്ന ഒരു എഞ്ചിനീയറിംഗ് ജോലിയാക്കി മാറ്റുക. തെളിവ് അവ്യക്തമാണെങ്കിൽ അല്ലെങ്കിൽ സുരക്ഷിതമായി ഓട്ടോമേറ്റ് ചെയ്യാനാകാത്തതാണെങ്കിൽ, കേസ് ലൂപ്പിലൂടെ നിർബന്ധിച്ച് കടത്തുന്നതിനുപകരം ഉൽപ്പന്ന ടീമിലേക്കാണ് മടങ്ങുന്നത്.

വാടക പ്രോപ്പർട്ടി ഉദാഹരണം കൂടുതൽ വിപുലവും വീണ്ടും ഉപയോഗിക്കാൻ സാധിക്കുന്നതുമായ ഒരു പാറ്റേണിന്റെ സൂചനയാണ്: അതായത് ഒരു ഏജന്റിന്റെ കഴിവുകൾ മെച്ചപ്പെടുത്തുന്നതിനായി പ്രൊഡക്ഷൻ ആർട്ടിഫാക്റ്റുകളും ട്രെയ്സുകളും ഉപയോഗിക്കുക എന്നത്. പ്രൊഡക്ഷൻ ഡാറ്റയിൽ നിന്നുള്ള അവലോകനം ചെയ്ത കണ്ടെത്തലുകൾ, സോഴ്സ് ട്രെയ്സുകൾ, പ്രതീക്ഷിക്കുന്ന ടാക്സ് എഞ്ചിൻ ഔട്ട്പുട്ട്, പ്രസക്തമായ കോഡ് ഉദാഹരണങ്ങൾ, ഇവാല്വേഷൻ കമാൻഡുകൾ എന്നിവ ഒരു കൂട്ടം ഇൻപുട്ടുകളായി നൽകിയാൽ, ആഴ്ചകളും മാസങ്ങളും കൊണ്ട് Codex-ന് അതിന്റെ പ്രവർത്തനക്ഷമതയും കൃത്യതയും ഗണ്യമായി മെച്ചപ്പെടുത്താൻ സാധിക്കും. ഹാർനെസ് എഞ്ചിനീയറിംഗിനെക്കുറിച്ചും സിംഫണിയെക്കുറിച്ചുമുള്ള ഞങ്ങളുടെ പഠനങ്ങളിൽ വിവരിച്ചിട്ടുള്ള തത്വങ്ങളെ അടിസ്ഥാനമാക്കിയാണ് ഇത് നിർമ്മിച്ചിരിക്കുന്നത്. ജോലികൾ എങ്ങനെ Codex-ന് മനസ്സിലാകുന്ന രീതിയിലാക്കാം എന്നും, നിർദ്ദിഷ്ടമായ കോൺടെക്സ്റ്റും ടൂളുകളും എങ്ങനെ നൽകാമെന്നും, കൂടാതെ വാലിഡേഷനും ഹ്യൂമൻ റിവ്യൂവും ഈ എൻവയോൺമെന്റിന്റെ ഭാഗമായി എങ്ങനെ നിലനിർത്താമെന്നും ഇവ വിശദീകരിക്കുന്നു. 

ഈ തെളിവുകൾ സ്വയമേവ ഒരു Codex ടാസ്ക് ആയി മാറുന്നില്ല. വിദഗ്ദ്ധർ വരുത്തുന്ന തിരുത്തലുകൾ ചിലപ്പോൾ ഒരു എക്‌സ്‌ട്രാക്ഷൻ വിട്ടുപോയതിനാലോ, മാപ്പിംഗ് പ്രശ്നം മൂലമോ, പിന്തുണയ്ക്കാത്ത ഉൽപ്പന്ന സ്വഭാവം കാരണമോ, നികുതി സംബന്ധിച്ച വ്യക്തിഗത തീരുമാനങ്ങൾ മൂലമോ അല്ലെങ്കിൽ പ്രതീക്ഷിക്കുന്ന സാധാരണ പിഴവുകൾ കാരണമോ ആകാം. ആവർത്തിച്ചുണ്ടാകുന്ന ഇത്തരം വ്യത്യാസങ്ങൾ അവലോകനം ചെയ്യുകയും, നടപ്പിലാക്കാൻ സാധിക്കുന്ന ഒരു കണ്ടെത്തലായി തരംതിരിക്കുകയും ചെയ്തതിനുശേഷം മാത്രമാണ് സിസ്റ്റം അവയെ കൃത്യമായ വിജയസാധ്യതയുള്ള ഒരു നിർദ്ദിഷ്ട ടാസ്ക് ആയി മാറ്റുന്നത്.

ഈ ഓട്ടോമേഷൻ ഞങ്ങൾ ഉൽപ്പന്നത്തിന്റെ പരിധിയുള്ള ഒരു പാളിയിലേക്ക് പ്രയോഗിക്കുന്നു. ഈ പാളി എക്സ്ട്രാക്ഷൻ നിർവഹിക്കുകയും സോഴ്‌സ് ഡോക്യുമെന്റുകളെ നികുതി വർക്ക്ഫ്ലോകളിലേക്ക് മാപ്പ് ചെയ്യുകയും ചെയ്യുന്നു. ആർക്കിടെക്ചർ, ഉൽപ്പന്ന തീരുമാനങ്ങൾ, ഷിപ്പിംഗ് എന്നിവയ്ക്ക് എഞ്ചിനീയർമാരാണ് ഇപ്പോഴും ഉത്തരവാദികൾ. പ്രാക്ടീഷണർമാർ അവർ ഇതിനകം ചെയ്യുന്ന ജോലിയിലൂടെ മെച്ചപ്പെടുത്തൽ ലൂപ്പിനെ നയിക്കുന്നു: അഥവാ എക്സ്ട്രാക്റ്റ് ചെയ്ത മൂല്യങ്ങൾ തിരുത്തൽ, റിട്ടേണുകൾ അവലോകനം ചെയ്യൽ, അന്തിമ ഫയലിംഗുകൾ അംഗീകരിക്കൽ.

Codex-നെ സംബന്ധിച്ചിടത്തോളം, ഇതിന്റെ ഫലം വ്യക്തതയില്ലാത്ത ഒരു മുന്നറിയിപ്പല്ല, മറിച്ച് കൃത്യമായ തെളിവുകളും, തിരുത്തലുകൾ വരുത്താൻ സാധിക്കുന്ന പ്രൊഡക്റ്റ് ഘടകങ്ങളും, വ്യക്തമായ വാലിഡേഷൻ ഗേറ്റുകളും അടങ്ങിയ കൃത്യമായി നിർവചിക്കപ്പെട്ട ഒരു എഞ്ചിനീയറിംഗ് ടാസ്ക് ആണ്. മാതൃകാപരമായ ഒരു വാടക പ്രോപ്പർട്ടി ടാസ്കിന്റെ പശ്ചാത്തലം താഴെ പറയുന്ന രീതിയിൽ സംഗ്രഹിക്കാം:

വാടക പ്രോപ്പർട്ടികൾക്ക് അപ്പുറമുള്ള മേഖലകളിലും ഇതേ ലൂപ്പ് ബാധകമാണ്. വാടക പ്രോപ്പർട്ടികളുടെ കാര്യത്തിൽ 90% കൃത്യതയും വീണ്ടെടുക്കൽ ശേഷിയും കൈവരിക്കുന്നതിന് ഏകദേശം ആറാഴ്ചത്തെ സമയവും വലിയ തോതിലുള്ള എഞ്ചിനീയറിംഗ് മേൽനോട്ടവും ആവശ്യമായി വന്നിരുന്നു. എന്നാൽ ആ പ്രവർത്തനം വഴി വീണ്ടും ഉപയോഗിക്കാൻ സാധിക്കുന്ന അബ്‌സ്ട്രാക്ഷനുകളും, റിവ്യൂ ആർട്ടിഫാക്റ്റുകളും, ഇവാല്വേഷൻ രീതികളും, ഇംപ്ലിമെന്റേഷൻ പാറ്റേണുകളും രൂപപ്പെട്ടു. ഇത് ഷെഡ്യൂൾ C, ഷെഡ്യൂൾ A എന്നിവ പോലെയുള്ള സമാനമായ സങ്കീർണ്ണ ഷെഡ്യൂളുകളെ പിന്തുണയ്ക്കുന്നത് കൂടുതൽ എളുപ്പമാക്കി മാറ്റി.

ടാക്സ് AI സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകളെ നിർമ്മിക്കുന്നതിനുള്ള ഒരു വഴി തെളിയിക്കുന്നു. സേവനം നൽകുന്നതിലൂടെ വിദഗ്ദ്ധർ ഉയർന്ന മൂല്യമുള്ള ഫീഡ്‌ബാക്ക് സിഗ്നലുകൾ സൃഷ്ടിക്കുന്നു. ഉൽപ്പന്ന വർക്ക്ഫ്ലോകൾ ആ സിഗ്നലുകളെ ഘടനാബദ്ധമായ തെളിവുകളായി സൂക്ഷിക്കുന്നു. ഇവാല്വേഷൻ പിന്തുണയുള്ള എഞ്ചിനീയറിംഗ് സിസ്റ്റങ്ങൾ മെച്ചപ്പെടുത്തലുകൾ പ്രൊഡക്ഷനിൽ എത്തുന്നതിന് മുമ്പ് സാധൂകരിക്കുന്നു, കൂടാതെ ഏജന്റ് നിയന്ത്രിത ലൂപ്പ് സിസ്റ്റത്തെ തുടർച്ചയായി സ്വയം മെച്ചപ്പെടുന്ന ഒരു ഫ്ലോയിൽ നിലനിർത്തുന്നു.

Thrive Holdings-ന്റെ ഘടന പ്രത്യേക വ്യവസായങ്ങളിൽ ഈ സാഹചര്യം വീണ്ടും സൃഷ്ടിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു. Holdings ഒരു ഉടമയും ഓപ്പറേറ്ററും കൂടിയായതിനാൽ, നമ്മുടെ സംയുക്ത എഞ്ചിനീയറിംഗ് ടീമുകൾക്ക് Crete പോലുള്ള ബിസിനസ്സുകളിൽ നിന്നുള്ള വിദഗ്ദ്ധരുമായും പ്രൊഡക്ഷൻ ഡാറ്റയുമായും നേരിട്ട് പ്രവർത്തിക്കാൻ സാധിക്കുന്നു; ഇത് ഒരു വെണ്ടർ എന്ന നിലയിലല്ല, മറിച്ച് പങ്കാളികൾ എന്ന നിലയിലാണ്. സാങ്കേതികവിദ്യയും ഉൽപ്പന്നവും സേവനവുമെല്ലാം ഒരു മേൽക്കൂരയ്ക്ക് കീഴിലാണ് വരുന്നത് എന്നതിനാലാണ് നമുക്ക് കൂടുതൽ വേഗത്തിൽ നീങ്ങാനും അസാധാരണമായ ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കാനും സാധിക്കുന്നത്.

കഴിഞ്ഞ വർഷം നികുതി തയ്യാറാക്കലിന് 180 മണിക്കൂർ ചെലവഴിച്ച ഒരു സീനിയർ അക്കൗണ്ടന്റ്, ഈ വർഷം അതിന് വെറും 15 മണിക്കൂർ മാത്രമാണ് ചെലവഴിച്ചത്. ആ സമയത്തിന്റെ ഒരു ഭാഗം അവൾ തന്റെ ഓരോ ക്ലയന്റിനെയും വിളിച്ച് അവരുടെ റിട്ടേണുകൾ വിശദീകരിക്കാൻ വിനിയോഗിച്ചു; ഒരു വർഷം മുമ്പ് സാധ്യമല്ലാത്തത്ര ഉയർന്ന സ്പർശമുള്ള സേവനനിലയായിരുന്നു അത്. ബാക്കിയുള്ള സമയം അവൾ പുതിയ ക്ലയന്റുകളെ ഏറ്റെടുക്കാനും പുതിയ സേവന ഓഫറിംഗുകളിലേക്ക് വിപുലമാക്കാനും ഉപയോഗിച്ചു.

നമ്മുടെ ടീമുകൾ ഒന്നിച്ച് ചേർന്ന്, ടാക്സ് AI-യുടെ അതേ മൂന്ന് ഭാഗങ്ങളുള്ള ഡിസൈൻ ഒരു ബ്ലൂപ്രിന്റ് ആയി ഉപയോഗിച്ചുകൊണ്ട് Thrive Holdings⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-ലെ മറ്റ് മേഖലകളിലും വർക്ക്ഫ്ലോകൾ നിർമ്മിക്കുകയാണ്; ബുക്ക് കീപ്പിംഗ്, ഓഡിറ്റ് തുടങ്ങിയ അക്കൗണ്ടിംഗ് വർക്ക്ഫ്ലോകളും, IT ഹെൽപ്പ് ഡെസ്ക് ഓട്ടോമേഷൻ പോലുള്ള ഓപ്പറേഷണൽ വർക്ക്ഫ്ലോകളും ഇതിൽ ഉൾപ്പെടുന്നു. വിവിധ മേഖലകളിലും വ്യവസായങ്ങളിലും ഉടനീളം, സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകൾ നൽകുന്ന വലിയ വാഗ്ദാനം നിലനിൽക്കുക തന്നെ ചെയ്യുന്നു. ഏറ്റവും മികച്ച ഏജന്റുകൾ മനുഷ്യരാൽ നയിക്കപ്പെടുകയും, അതിലൂടെ കാലക്രമേണ കൂടുതൽ കാര്യക്ഷമതയുള്ളതും വിശ്വസ്തവും മൂല്യമുള്ളതുമായി മാറാൻ പഠിക്കുകയും ചെയ്യുന്നു.

ഈ പ്രോജക്റ്റിൽ പ്രവർത്തിച്ച OpenAI ടീമിനെക്കുറിച്ച് കൂടുതൽ അറിയാൻ, ബന്ധപ്പെടുക.