വിശ്വസ്തമായ AI എക്സിക്യൂട്ടീവ് അസിസ്റ്റന്റ് Fyxer നിർമ്മിച്ച വിധം

പല പ്രൊഫഷണലുകളെ സംബന്ധിച്ചും ഇൻബോക്സുകൾ, യോഗങ്ങൾ, സന്ദേശങ്ങൾ, വിവിധ ആപ്പുകൾ എന്നിവയിലുടനീളമുള്ള സംഭാഷണങ്ങളും ഉത്തരവാദിത്തങ്ങളും കൃത്യമായി പിന്തുടരുക എന്നതാണ് ജോലി. എന്നാൽ ശരിയായ പശ്ചാത്തലം കൃത്യമായി മനസ്സിലാക്കാൻ പറ്റിയില്ലെങ്കിൽ, ഈ ഉത്തരവാദിത്തങ്ങൾ വിട്ടുപോകാനും അത് പ്രോജക്റ്റുകളെയും ബിസിനസ്സ് ബന്ധങ്ങളെയും ദോഷകരമായി ബാധിക്കാനും സാധ്യതയുണ്ട്.

വ്യത്യസ്ത ടൂളുകളിലൂടെ ജോലി മുന്നോട്ട് കൊണ്ടു പോകുമ്പോഴും അതിന്റെ ഓരോ ഘട്ടവും കൃത്യമായി പിന്തുടരാൻ കഴിയുന്ന ഒരു AI എക്സിക്യൂട്ടീവ് അസിസ്റ്റന്റിനെയാണ് Fyxer വികസിപ്പിച്ചെടുത്തിരിക്കുന്നത്. നൂതന OpenAI മോഡലുകളെ 500,000-ത്തിലധികം മണിക്കൂറുകളുടെ എക്സിക്യൂട്ടീവ് അസിസ്റ്റന്റ് പ്രവർത്തന പരിചയവുമായി ഇത് കൂട്ടിച്ചേർക്കുന്നു. കൂടാതെ, ഈ ജോലികളെ പ്രത്യേക വൈദഗ്ധ്യമുള്ള ഡസൻ കണക്കിന് ചെറിയ മോഡലുകളായി വിഭജിക്കുകയും ഉപഭോക്താക്കളുടെ യഥാർത്ഥ ഫീഡ്ബാക്കിലൂടെ ഇവയുടെ പ്രവർത്തനം നിരന്തരം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു.

ഇമെയിലുകളുടെ കാര്യത്തിലാണ് ഇതിന്റെ പ്രവർത്തനം ഏറ്റവും വ്യക്തമായി കാണാൻ സാധിക്കുന്നത്. ഒരേ ഇമെയിൽ രണ്ട് പേർക്ക് ലഭിച്ചാലും അവർ തമ്മിലുള ബന്ധം, മുമ്പ് നടന്ന കാര്യങ്ങൾ, ഓരോരുത്തരുടെയും ലക്ഷ്യങ്ങൾ എന്നിവയെ ആശ്രയിച്ച് നൽകേണ്ട മറുപടികൾ തികച്ചും വ്യത്യസ്തമായിരിക്കും. അതുകൊണ്ടുതന്നെ ഒറ്റനോട്ടത്തിൽ ലളിതമെന്ന് തോന്നുന്ന ഈ ജോലി AI-യ്ക്ക് വലിയൊരു വെല്ലുവിളിയായി മാറുന്നു.

“Moravec's paradox എന്ന് പറയുന്ന ഒരു പ്രതിഭാസമുണ്ട്," Fyxer സഹസ്ഥാപകൻ Archie Hollingsworth വിശദീകരിക്കുന്നു. "മനുഷ്യർക്ക് എളുപ്പമെന്ന് തോന്നുന്ന കാര്യങ്ങൾ കമ്പ്യൂട്ടറുകൾക്ക് കഠിനമായിരിക്കും, കമ്പ്യൂട്ടറുകൾക്ക് എളുപ്പമുള്ള കാര്യങ്ങൾ മനുഷ്യർക്ക് ബുദ്ധിമുട്ടേറിയതുമായിരിക്കും." ഓരോ ഉപഭോക്താവും എങ്ങനെയാണ് ജോലി ചെയ്യുന്നതെന്ന് മനസ്സിലാക്കിയാണ് Fyxer ഈ സങ്കീർണ്ണതയെ മറികടക്കുന്നത്. അതുകൊണ്ടുതന്നെ, കാര്യങ്ങൾ മുൻകൂട്ടി അറിയാവുന്ന ഒരു അസിസ്റ്റന്റിനെപ്പോലെ മറുപടി നൽകാൻ ഇതിന് സാധിക്കുന്നു.

ഇമെയിൽ മനസ്സിലാക്കുന്നത് മുതൽ ശരിയായ പശ്ചാത്തലം കണ്ടെത്തുന്നതിലും കരടുകൾ തയ്യാറാക്കുന്നതിലും വരെയുള്ള പ്രധാന കാര്യങ്ങളിൽ സഹായിക്കുന്നത് അത്യാധുനിക OpenAI മോഡലുകളാണ്. Fyxer-ന്റെ ആന്തരിക പരിശോധനകളിൽ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവെച്ചതിനാലാണ് അവർ OpenAI തിരഞ്ഞെടുത്തത്. സംസാരരീതി, ലക്ഷ്യം എന്നിവ കൃത്യമായി തിരിച്ചറിയുന്നതുപോലുള്ള സങ്കീർണ്ണമായ ജോലികൾക്കായി മോഡലുകളെ മികച്ച രീതിയിൽ മാറ്റിയെടുക്കാനും ഇത് സഹായിക്കുന്നു. കൂടാതെ വൈറ്റ് ബോർഡിംഗ് സെഷനുകളിലൂടെയും സാങ്കേതിക സഹകരണത്തിലൂടെയും മികച്ച എഞ്ചിനീയറിംഗ് പിന്തുണയും OpenAI ഇവർക്ക് നൽകുന്നുണ്ട്.

വളരെയധികം പശ്ചാത്തല വിവരങ്ങൾ ആവശ്യമായി വരുന്ന ഇത്തരം AI ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കുന്ന സ്റ്റാർട്ടപ്പ് സ്ഥാപകർക്ക് Fyxer-ന്റെ ഈ രീതിയിൽ നിന്നും മൂന്ന് പ്രധാന പാഠങ്ങൾ പഠിക്കാനുണ്ട്:

ഒരു ഇമെയിൽ പ്രവർത്തനരീതിയുടെ ഓരോ ചെറിയ ഭാഗങ്ങൾ കൈകാര്യം ചെയ്യാനായി 30–50 പ്രത്യേക മോഡലുകൾ ഉൾപ്പെടുത്തിയാണ് Fyxer ഈ സിസ്റ്റം നിർമ്മിച്ചിരിക്കുന്നത്. ഇമെയിൽ കൈകാര്യം ചെയ്യുന്നതിനെ വെറുമൊരു ടെക്സ്റ്റ് നിർമ്മാണ ജോലിയായി കാണുന്നതിന് പകരം, അതിനെ പലവിധ പ്രവചനങ്ങൾ സാധ്യമാക്കുന്ന ഒരു സിസ്റ്റമായി Fyxer മാറ്റുന്നു. ഒരു സന്ദേശത്തിന് മറുപടി ആവശ്യമുണ്ടോ എന്ന് തീരുമാനിക്കുന്നതും ഉപഭോക്താവിന്റെ സംസാരരീതിക്കും പശ്ചാത്തലത്തിനും അനുയോജ്യമായ മറുപടികൾ തയ്യാറാക്കുന്നതുമെല്ലാം ഇതിന് ഉദാഹരണങ്ങളാണ്.

“ഒരു നല്ല ഇമെയിൽ എഴുതാൻ ഒരൊറ്റ മോഡലിനോട് ആവശ്യപ്പെടുന്നതിനേക്കാൾ വളരെ ഫലപ്രദമായിരിക്കുന്നത്, ആ സംഗതിയെ പല ചെറിയ മോഡലുകളിലേക്കായി വിഭജിച്ചു നൽകുന്നതാണ്," Hollingsworth അഭിപ്രായപ്പെടുന്നു.

പുതിയ ഇമെയിൽ എത്തുമ്പോൾ, മറുപടി തീരുമാനിക്കുന്ന മോഡൽ സന്ദേശത്തെ വർഗീകരിക്കുന്നു: ഇതിന് മറുപടി വേണോ, സമയക്രമീകരണ നടപടി വേണോ, അതോ ഉപയോക്താവ് കണ്ടിരിക്കേണ്ട വിവരം മാത്രമാണോ?

ഒരു മറുപടി നൽകേണ്ടതുണ്ടെങ്കിൽ, ഇമെയിലിന്റെ യഥാർത്ഥ ലക്ഷ്യം വിശകലനം ചെയ്യാനും ആ സംഭാഷണം എങ്ങോട്ടാണ് നീങ്ങുന്നതെന്ന് മുൻകൂട്ടി പ്രവചിക്കാനും മറ്റ് ചില മോഡലുകൾ കൂടി ഉപയോഗിക്കുന്നു. ആ സംഭാഷണം ഒരു യോഗം ക്രമീകരിക്കുന്നതിലേക്കാണോ, അഭ്യർഥന പരിഹരിക്കുന്നതിലേക്കാണോ, അതോ ദീർഘകാല ബന്ധത്തിന്റെ തുടർച്ചയിലേക്കാണോ നീങ്ങുന്നതെന്നതുപോലുള്ള പ്രവണതകൾ ഈ മോഡലുകൾ കണ്ടെത്തുന്നു.

മെമ്മറി ഈ സിസ്റ്റത്തിന്റെ ഏറ്റവും പ്രധാനപ്പെട്ട ഘടകങ്ങളിലൊന്നാണ്. സംഭാഷണങ്ങൾക്കിടയിലും ഏതൊക്കെ വിശദാംശങ്ങൾ നിലനിർത്തണമെന്നും ഒരൊറ്റ ആശയവിനിമയത്തിനുശേഷം ഏതൊക്കെ ഒഴിവാക്കണമെന്നും Fyxer തീരുമാനിക്കേണ്ടതുണ്ട്. ഒരു പുതിയ ഇമെയിൽ എത്തുമ്പോൾ, റിട്രൈവൽ മോഡലുകൾ അത് സംഭരിച്ചിട്ടുള്ള ഇടപെടലുകളുമായി താരതമ്യം ചെയ്യുകയും ആ വ്യക്തിക്കും ആ ഇമെയിൽ ത്രെഡിനും ഏറ്റവും പ്രസക്തമായ മെമ്മറികൾ കണ്ടെത്തി മുന്നിലെത്തിക്കുകയും ചെയ്യുന്നു.

Fyxer-ന്റെ സിസ്റ്റത്തിലെ വിവിധ ഘട്ടങ്ങൾക്ക് കരുത്തുപകരുന്നത് OpenAI മോഡലുകളാണ്. “ഇമെയിൽ വിശകലനം ചെയ്ത് അത് യഥാർത്ഥത്തിൽ എന്തിനെക്കുറിച്ചാണെന്ന് മനസ്സിലാക്കുന്നത് മുതൽ, ഉൾപ്പെടുത്തേണ്ട പശ്ചാത്തല വിവരം കണ്ടെത്തി അതിന് മുൻഗണനാക്രമം നിശ്ചയിക്കുന്നതും അയയ്ക്കാനുള്ള ഇമെയിൽ തയ്യാറാക്കുന്നതും വരെ എല്ലാത്തിനും ഞങ്ങൾ OpenAI മോഡലുകളാണ് ഉപയോഗിക്കുന്നത്," എന്ന് Shantsila പറയുന്നു.

AI ഉൽപ്പന്നം പുറത്തിറക്കുന്നതിനുമുമ്പ്, Fyxer വർഷങ്ങളോളം മനുഷ്യർ നേരിട്ട് നൽകുന്ന എക്സിക്യൂട്ടീവ് അസിസ്റ്റന്റ് സേവനങ്ങളാണ് നടത്തിയിരുന്നത്. ഈ കാലയളവിൽ, യഥാർത്ഥ അസിസ്റ്റന്റുകൾ എങ്ങനെയാണ് പ്രൊഫഷണൽ ആശയവിനിമയങ്ങൾ കൈകാര്യം ചെയ്യുന്നത് എന്ന് കൃത്യമായി രേഖപ്പെടുത്തിയ 500,000-ത്തിലധികം മണിക്കൂറുകളുടെ വർക്ക്ഫ്ലോ ഡാറ്റാസെറ്റ് ഈ ടീം ശേഖരിച്ചുവെച്ചിട്ടുണ്ടായിരുന്നു.

ആ ഉദാഹരണങ്ങൾ ജോലിയിൽനിന്നുതന്നെ ലഭിച്ച പരിശീലന ഡാറ്റ Fyxer-ന് നൽകി. നല്ല മറുപടിക്കു പിന്നിലെ സൂക്ഷ്മമായ തീരുമാനങ്ങൾ അവയിൽ രേഖപ്പെടുത്തിയിരുന്നു: എപ്പോൾ വേഗം മറുപടി നൽകണം, എപ്പോൾ കാത്തിരിക്കണം, മുമ്പത്തെ ഏത് സംഭാഷണമാണ് പ്രസക്തം, ഒരേ അഭ്യർഥനയ്ക്ക് ഓരോ വ്യക്തിയോടും എങ്ങനെ വ്യത്യസ്തമായി പ്രതികരിക്കണം എന്നിവ.

പരിശീലനച്ചെലവ് നിയന്ത്രിച്ചുകൊണ്ട് നിർദിഷ്ട ജോലികൾക്കായുള്ള മോഡൽ വകഭേദങ്ങൾ സൃഷ്ടിക്കാൻ Fyxer അതിന്റെ വിശാല സംവിധാനത്തിലുടനീളം സൂപ്പർവൈസ്ഡ് ഫൈൻ-ട്യൂണിങ്ങും ലോ-റാങ്ക് അഡാപ്റ്റേഷനും (LoRA) ഉപയോഗിക്കുന്നു. ഉൽപ്പന്നവികസനത്തിന്റെ ആദ്യഘട്ടത്തിൽ, ഉയർന്ന കൃത്യത ആവശ്യമായ ജോലികൾക്കായി സംഘം OpenAI-യുടെ ഫൈൻ-ട്യൂണിങ് പ്ലാറ്റ്‌ഫോം ഉപയോഗിച്ചു. അടുത്തിടെ, പുതിയൊരു ചെക്ക്‌പോയിന്റ് ഉൽപ്പാദന സംവിധാനത്തിൽ വിന്യസിക്കാൻ Fyxer, OpenAI-യുടെ നിയന്ത്രിത ഫൈൻ-ട്യൂണിങ് സംഘവുമായി ചേർന്ന് പ്രവർത്തിച്ചു.

ഏതൊരു മോഡലും വിന്യസിക്കുന്നതിനുമുമ്പായി മറുപടികൾ തയ്യാറാക്കൽ, തരംതിരിക്കൽ, മുൻഗണന നിശ്ചയിക്കൽ എന്നിവയുൾപ്പെടെയുള്ള തങ്ങളുടെ സ്വന്തം ഇമെയിൽ ടാസ്കുകൾ അടിസ്ഥാനമാക്കി രൂപകൽപ്പന ചെയ്ത വാലിഡേഷൻ സെറ്റുകളിൽ Fyxer അത് മൂല്യനിർണ്ണയം ചെയ്യാറുണ്ട്. ഓരോ ജോലിക്കും ഏറ്റവും അനുയോജ്യമായ ഓപ്ഷൻ വ്യത്യസ്തമായിരിക്കാം എന്നതിനാൽ, മോഡലിന്റെ കൃത്യതയോടൊപ്പം തന്നെ അതിന്റെ റെസ്പോൺസ് ടൈമും ചെലവും കൂടി ഈ ടീം വിലയിരുത്തുന്നു.

വിന്യസിച്ചു കഴിഞ്ഞാൽ, യഥാർത്ഥ ഉപയോക്താക്കളിൽ നിന്നുള്ള ഫീഡ്ബാക്കിലൂടെ Fyxer-ന്റെ സിസ്റ്റം തുടർന്നും മെച്ചപ്പെടുന്നു. ആരെങ്കിലും ഒരു കരട് അയയ്ക്കുന്നതിന് മുമ്പ് തിരുത്തുമ്പോൾ, യഥാർത്ഥ ഇമെയിലും അന്തിമ ഇമെയിലും തമ്മിലുള്ള വ്യത്യാസം അവർ ഏത് ഔട്ട്പുട്ടാണ് മുൻഗണന നൽകിയതെന്ന് വ്യക്തമാക്കുന്നു.

നേരിട്ടുള്ള മുൻഗണനാ ഒപ്റ്റിമൈസേഷൻ (DPO) ഉപയോഗിച്ച് Fyxer ആ താരതമ്യങ്ങളെ പരിശീലന ഡാറ്റയാക്കി മാറ്റുന്നു. ഓരോ ഉദാഹരണവും മാനുവലായി ലേബൽ ചെയ്യുന്നതിന് പകരം, മോഡൽ രണ്ട് ഔട്ട്പുട്ടുകളുടെ ജോഡിയിൽ നിന്ന് പഠിക്കുന്നു: യഥാർത്ഥ കരടും ഉപയോക്താവ് തിരുത്തിയ പതിപ്പും.

തുടർന്ന് കരടെഴുത്തിലെ ഓരോ മാറ്റവും A/B പരിശോധനയ്ക്കു വിധേയമാക്കുന്നു. സ്ഥിതിവിവരശാസ്ത്രപരമായി ഗണ്യമായ മെച്ചം നൽകുമ്പോൾ മാത്രമാണ് Fyxer പുതിയ പതിപ്പ് പുറത്തിറക്കുന്നത്. ഉപയോക്താക്കളുടെ എണ്ണം കൂടുതലായതിനാൽ, ചിലപ്പോൾ ഒരു ദിവസത്തിനുള്ളിൽത്തന്നെ സംഘത്തിന് ആ പരിധിയിലെത്താനാകും.

ഇന്ന്, Fyxer-ന്റെ AI നിർമ്മിക്കുന്ന കരടുകളിൽ 53%-ഉം യാതൊരു മാറ്റവുമില്ലാതെ അതേപടി ഉപയോഗിക്കപ്പെടുന്നുണ്ട്. യഥാർത്ഥ സംഭാഷണങ്ങളിൽ ആളുകൾ എന്താണ് ഉദ്ദേശിക്കുന്നതെന്നും അവരുടെ സംസാരരീതി എങ്ങനെയുള്ളതാണെന്നും കൃത്യമായി മനസ്സിലാക്കാൻ ഈ സിസ്റ്റത്തിന് സാധിക്കുന്നുണ്ടെന്നാണ് ഇത് വ്യക്തമാക്കുന്നത്. 2025-ൽ മാത്രം Fyxer-ന്റെ വാർഷിക ആവർത്തന വരുമാനം $1 മില്ല്യണിൽ നിന്ന് $32 മില്ല്യണായി ഉയർന്നു.

Hollingsworth-ന്റെ അഭിപ്രായത്തിൽ റിറ്റെൻഷനാണ് പ്രധാനപ്പെട്ട കാര്യം. Fyxer-ന്റെ പല ഉപഭോക്താക്കൾക്കും ആഴത്തിലുള്ള സാങ്കേതിക പരിജ്ഞാനമില്ല, കൂടാതെ അവരിൽ ചിലർ ദിവസേന ഉപയോഗിക്കുന്ന ആദ്യത്തെ AI സിസ്റ്റം കൂടിയാണ് Fyxer.

ഭാവിയിലേക്ക് നോക്കുമ്പോൾ, ബന്ധങ്ങൾ, മുൻഗണനകൾ, നിലവിലുള്ള തൊഴിൽ പ്രക്രിയകൾ എന്നിവയെക്കുറിച്ച് കൂടുതൽ ആഴത്തിൽ മനസ്സിലാക്കാനുള്ള ശേഷി Fyxer വികസിപ്പിക്കുകയാണ്. മറുപടികളുടെ കരടുകൾ തയ്യാറാക്കുന്നതിൽ ഒതുങ്ങാതെ, ഉപയോക്താവിന്റെ ആശയവിനിമയവും ഏകോപനവുമായി ബന്ധപ്പെട്ട കൂടുതൽ ജോലികൾ കൈകാര്യം ചെയ്യാവുന്ന മികച്ച AI അസിസ്റ്റന്റായി അത് വളർന്നുകൊണ്ടിരിക്കുന്നു.

“ഞങ്ങളുടെ ഉപഭോക്താക്കൾക്ക് അവർ ഏറ്റവുമധികം ഇഷ്ടപ്പെടുന്ന ജോലികൾ പരമാവധി ചെയ്യാൻ അവസരമൊരുക്കുകയാണ് ഞങ്ങളുടെ ലക്ഷ്യം,” Hollingsworth പറയുന്നു. “കമ്പ്യൂട്ടർ തുറക്കേണ്ട ആവശ്യമില്ലാത്ത, അതെല്ലാം Fyxer കൈകാര്യം ചെയ്യുമെന്ന് വിശ്വസിക്കാവുന്ന ഒരു നിലയിലേക്ക് അവരെ എത്തിക്കാനാണ് ഞങ്ങൾ ആഗ്രഹിക്കുന്നത്.”