OpenAI дахь технологийн нэвтрүүлэлтийн инженерийн үүрэг
Бид юу хийдэг, хэрхэн ажилладаг, байгууллагын хамгийн хүнд асуудлыг шийдэж хэрхэн бодит үр дүн гаргадаг вэ.
Зохиогч: Колин Жарвис, OpenAI-ийн Технологийн нэвтрүүлэлтийн инженерчлэл хариуцсан захирал
Codex гарсны дараа манай багийн нэг хүн надаас: “Бидний сүүлийн хэдэн сар зарцуулж бүтээсэн хэрэглээний шийдлүүдийг Codex нэг оролдлогоор л хийчихдэг болбол бид яах вэ? гэж асуусан.”
Энэ асуулт OpenAI дахь технологийн нэвтрүүлэлтийн инженерийн ажлын мөн чанарыг хөнддөг. Бид харилцагчидтай мөр зэрэгцэн ажиллаж, хамгийн хүнд асуудлуудыг нь ойлгон, тэдний найдаж болох шийдлүүдийг бүтээдэг. Ингэж олж авсан мэдлэг маань бүтээгдэхүүний хөгжлийг чиглүүлж, Судалгааны багт шийдэх тодорхой асуудлууд өгдөг.
Энэ бол ахиц. Хэрэв бид хоёр сар тутамд өөрсдийн оролцоо шаардлагагүй болох нөхцөлийг бүрдүүлж байвал технологийн нэвтрүүлэлтийн инженерийн баг маань ажлаа хийж байна гэсэн үг.
Би 2025 оны эхээр “нэвтрүүлэлтийн зөрүү” гэж бидний нэрлэдэг ялгааг арилгахын тулд энэ багийг байгуулсан. Энэ нь загварын хийж чаддаг мэт харагдах зүйлс болон хүмүүс ажилдаа найдвартай ашиглаж болох зүйлсийн хоорондох зөрүү юм.
Загваруудын чадавх тэдгээрийг ашиглахад шаардлагатай систем, процессоос илүү хурдтай хөгжсөн. Заримдаа дутагдаж буй зүйл нь бүтээгдэхүүн байдаг. Заримдаа загвар жишиг сорилд сайн үзүүлэлттэй ч бодит амьдралын хувьсах нөхцөл, хязгаарлалтуудын дунд ажлаа хийж чаддаггүй.
Бид харилцагчдынхаа хамгийн хүнд асуудлуудад анхаардаг. Загварууд маань өнөөдөр ажлыг хийж чадаж байвал бид Бүтээгдэхүүний баг болон харилцагчтайгаа хамтран шийдлийг давтан ашиглах боломжтой болгодог. Харин чадавх нь хүрэлцэхгүй үед харилцагчид болон Судалгааны багтай хамтран дутагдлыг тодорхойлж, сайжруулдаг. Хамтын ажиллагаа бүр дараагийн харилцагчид илүү сайн эхлэх суурь үлдээх нь бидний зорилго. Хэрэв бид суурь түвшнийг ахиулж, харилцагчид маань дараагийн удаа ийм төрлийн асуудлыг технологийн нэвтрүүлэлтийн инженерийн тусламжгүй шийдэж чаддаг болбол ажлаа сайн хийжээ гэсэн үг.
200 жилийн түүхтэй хөдөө аж ахуйн компани John Deere-д тулгарсан сорилт нь тариаланч бүрд тохирсон зөвлөгөөг хэрхэн өргөн хүрээнд хүргэх тухай байв.
Нэг жишээ нь хог ургамлыг нарийвчлалтай устгах See & Spray технологи юм. Энэ нь камер, машин сургалтаар хог ургамлыг таньж, талбайг бүхэлд нь бус зөвхөн хог ургамлыг шүршсэнээр химийн бодисын хэрэглээг 70 хүртэл хувиар бууруулдаг.
Гэхдээ эдгээр давуу талыг бодитоор хүртэх эсэх нь тариаланчид технологийг хэрхэн тохируулах, улирлын ажлаа хэрхэн төлөвлөх, нөхцөл өөрчлөгдөхөд арга ажиллагаагаа хэрхэн өөрчлөхөө мэддэг эсэхээс хамаарна.
John Deere энэхүү дэмжлэгийг хүн бүрд тохируулан, өргөн хүрээнд хүргэхийн тулд OpenAI-ийн API-уудыг нэвтрүүлсэн.
Хиймэл оюун ухаан тариаланчдын асуултад энгийн хэлээр хариулж, тэдэнд тохирсон тохиргооны заавар, зөвлөмж өгч, тоног төхөөрөмж бүрэн хүчин чадлаараа ажиллахгүй байж болзошгүйг илрүүлж, технологиосоо ямар үр өгөөж хүртэж байгааг нь ойлгоход тусалдаг.
Энэ боломж нь нэг удаагийн харилцаагаар хязгаарлагдахгүй. Хэрэглэгчийн харилцааны бүх үе шатанд хэрэгцээнд нь нийцсэн зөвлөгөө өгснөөр тариаланчдад тоног төхөөрөмжөө илүү үр дүнтэй ашиглах, үр ашиг болон тогтвортой байдлаа сайжруулахад тусална.
OpenAI-ийн технологийн нэвтрүүлэлтийн инженерүүд ийм л сорилтуудыг шийдвэрлэдэг: байгууллагуудад хиймэл оюун ухааны чадавхыг бодит ертөнцийн нарийн төвөгтэй орчинд бодит үнэ цэн бүтээх систем болгоход тусалдаг.
Гэхдээ асуудлууд ихэнхдээ тодорхой хүрээгүй, зөв гэж үзэх батлагдсан жишиг ч үгүй, дагах бэлэн аргачлал ч үгүй байдаг. Хүн бүр өмнө нь байгаагүй зүйлийг бүтээхийг хүсдэг. Харин түүнд хүрэхийн тулд шаардлагатай бүхнийг хийхийг хүсдэг хүн цөөн.
Чадварлаг технологийн нэвтрүүлэлтийн инженерүүдийг олж, “хангалттай сайн” гэх босгыг ахиулахын тулд тасралтгүй туршиж, практикт хэрэгжүүлэх шаардлагатай болсон.
Технологийн нэвтрүүлэлтийн инженерийн багийн уулзалт бүрийн эхэнд би “Хүрэх үр дүнгээсээ эхэл, амжилтад хүрэхэд шаардлагатайг хий, дараа нь цар хүрээгээ тэл” гэсэн нэг үндсэн үнэт зүйл бүхий слайдыг үзүүлдэг.
Гайхалтай үзүүлэн олон хүний сэтгэлийг татаж, нэлээд ахиц авчирсны дараа л хэн нэгэн бодит амьдралд ажилладаг эсэхийг нь асуух нь бий.
Бидний ажил бол харилцагчийн асуудлыг бодит хэрэглээнд найдвартай гэдгийг нь хариуцаж чадах түвшинд шийдэх юм.
2025 оны дунд үед манай 15 орчим технологийн нэвтрүүлэлтийн инженер хагас дамжуулагчийн салбарын томоохон харилцагчтай 10 гаруй хэрэглээний хувилбар дээр ажиллаж байв. Тэдний баталгаажуулалтын процессыг хиймэл оюун ухаанд суурилсан болгохыг зорьж, дараах ажлуудыг хамруулсан:
Тодорхой зорилтот тестүүд үүсгэх
Үндсэн шалтгааныг шинжлэх, алдаа засах
Архитектурын туслах
Энэ салбарт төслийн нийт ажлын 70 орчим хувийг баталгаажуулалт эзэлж болдог. Боломж асар их, ажлаа эхлүүлж болох чиглэл ч олон байв.
Зарим технологийн нэвтрүүлэлтийн инженер OpenAI-д хэдхэн хоногийн өмнө орсон, хагас дамжуулагчийн салбарт огт ажиллаж байгаагүй хүмүүс байлаа. Тэд харилцагчийн баталгаажуулалтын багтай мөр зэрэгцэн ажиллаж, чөлөөт цагаараа чипийн зохион бүтээлтийг судалсан. Мөн хиймэл оюун ухаан хэрэгцээтэй тест үүсгэж, чипийн доголдлыг зөв оношилж чадах эсэхийг шалгах үнэлгээнүүдийг инженерүүдтэй хамтран боловсруулсан.
Ийнхүү суралцахын зэрэгцээ бид хэрэглээний хувилбар бүрд тохирсон хамгаалалт бүтээсэн. Эхний 3–6 сарын дотор бүгдийг нь бодит хэрэглээнд нэвтрүүлж, анхны хэрэглэгчид ашиглаж эхэлсэн. Хөдөлмөрийн маань үр дүн тоон үзүүлэлтүүдээс харагдсан:
Хиймэл оюун ухаанаар зорилтот тестүүд үүсгэснээр цагийн 48 орчим хувийг хэмнэсэн.
Кернелийг оновчилсноор гүйцэтгэлийн сайжралын медиан 22 хувь болсон.
Хэдэн долоо хоног зарцуулдаг байсан алдаа засах ажлыг хэдхэн цагт хийдэг болсон
Бид энэ бүхнийг танилцуулахад Техник хангамж хариуцсан захирал: “Та нар энд ирэхээсээ өмнө чип зохион бүтээгчээр ажиллаж байсан юм уу? гэж асуусан.”
Манай технологийн нэвтрүүлэлтийн инженерүүд эхний өдрөөсөө салбарыг мэддэг байх албагүй ч түүнийг судалж мэдэх үүрэгтэй.
Код бичих туслахууд программ хангамж бүтээх ажлыг хурдасгахын хэрээр харилцагчийн бизнесийг ойлгох нь улам чухал болж байна. Бид олон талын мэдлэгтэй хүмүүс болон салбарын мэргэжилтнүүдийг хослуулан багаа бүрдүүлдэг.
Үндэслэлтэй шийдвэр гаргах хангалттай мэдлэг, мөн хэвшсэн ойлголтуудыг эргэлзэж шалгахуйц сониуч зан хэрэгтэй.
Жишээлбэл, амьдралын шинжлэх ухааны салбарт манай технологийн нэвтрүүлэлтийн инженерүүдийн шинжлэх ухааны суурь мэдлэг нь судлаачдын итгэлийг олоход тусалдаг. Тэдгээр судлаач эмийн нээлтийн эмнэлзүйн өмнөх шатанд бай молекулыг баталгаажуулах, ач холбогдлоор нь эрэмбэлэх, генийн илэрхийллийг шинжлэх, химийн нийлэгжүүлэлтийн замыг сэргээн тогтоох зэрэг ажлыг хийдэг. Энэ мэргэжлийн мэдлэгийнхээ ачаар тэд тухайн ажлын урсгалыг хэрхэн сайжруулах талаар үндэслэлтэй санал гаргаж чаддаг.
Эдгээр ажлын урсгал үнэ цэн бүтээж чадна гэдгийг бид харуулсан ч өөр багт нэвтрүүлэх бүрд хэт их тусгай интеграц хийх шаардлагатай хэвээр байлаа. Дараагийн сорилт нь хүрсэн үр дүнгээ хадгалахын зэрэгцээ программ хангамжийг нэвтрүүлэх, арчлахад хялбар болгох байв.
Тэр үед Codex-ийн чадавх сайжирсан байлаа. Нэг технологийн нэвтрүүлэлтийн инженер өөрийн аппыг Codex-д тулгуурлан дахин бүтээж туршсан. Дараа нь багтайгаа хамтран хэрэглээний хувилбаруудыг Codex-ийг цөмөө болгосон нэгдсэн хамгаалалт руу шилжүүлсэн.
Тусгайлан бүтээсэн аппууд Codex-ийн нийтлэг суурь бүрэлдэхүүнд тулгуурласан залгаас, ур чадварууд болсон. Codex мөн интерфэйс болсон тул хэрэглээний хувилбар тус бүрд зориулан бичсэн терминалын тусдаа хэрэглэгчийн интерфэйсүүд болон командын мөрийн интерфэйсүүдээ ашиглахаа болих боломжтой болсон.
Бид төсөл бүрийн тусгайлан бичсэн кодын 90 орчим хувийг хасаж чадсан. Ингэснээр эдгээр ажлын урсгалыг бүтээх, арчлах, өргөжүүлэх арга маань өөрчлөгдсөн:
Codex-д төвлөрсөн байдлаар хийсэн сайжруулалтуудыг ашигласнаар хэрэглээний хувилбар бүрд шаардлагатай холболтын кодыг багасгах боломжтой болсон
Гол функцүүдийг ур чадвар, залгаас болгон багцалж, хоорондоо хуваалцах болон хиймэл оюун ухааны Чадамжийн төвөөс (CoE) нэгдсэн удирдлагаар хангахад хялбар болгосон. Ингэснээр нэг багаас нөгөөд өргөжүүлэн нэвтрүүлэхдээ шинэ холбогч/MCP серверээр сольж, шинэ үнэлгээнүүд боловсруулаад (үүнд зориулсан ур чадвар ч бидэнд байсан) шууд ажиллуулж эхлэхэд л болохоор болсон.
2026 оны наймдугаар сарын нэг жишээнд анхны нэвтрүүлэлт хоёр сар үргэлжилсэн. Шийдлийг хоёр дахь багт нэвтрүүлэхэд нэг өдөр зарцуулсан. Цар хүрээгээ тэлэхийн хэрээр дараагийн багууд улам хурдан ашиглаж эхэлсэн. Энэ ахиц үргэлжилж, 2026 оны наймдугаар сарын нэг хэрэглээний хувилбарын анхны нэвтрүүлэлт хоёр сар болсон бол хоёр дахь багт нэвтрүүлэхэд нэг л өдөр шаардсан.
Энэ бол бидний оролцоо шаардлагагүй болох нөхцөлийг өөрсдөө бүрдүүлэх нэг хэлбэр юм. Бодит хэрэглээнд нэвтрүүлэхийн тулд хийсэн ажил маань юу чухал болохыг тодорхойлсон. Суурь бүтээгдэхүүн сайжрахын хэрээр бид тусгайлан бүтээсэн шийдлийнхээ ихэнхийг орлуулж, бүтээсэн үнэ цэнийг нь хадгалж чадсан.
Ийм учраас дараалал чухал. Том хэлний загварууд (LLM) бидэнд хурдан бүтээх боломж олгодог. Энэ хурдыг ашиглан үнэ цэнтэй зүйлийг хэрэглэгчдийн гарт хүргэж, бодит хэрэглээнд юу найдвартай ажиллаж байгааг олж мэдээд, үр дүнтэйг нь өргөжүүл.
Энэ зарчим хамтын ажиллагаа бүрд үйлчилнэ.
Байгууллагын дуут болон чат агентуудад зориулсан манай бүтээгдэхүүн болох OpenAI Presence нь бодит хэрэглэгчийн байршуулалтаас үүдэлтэй юм. Энэхүү бүтээл нь Свармаас(шинэ цонхонд нээгдэнэ) эхэлж, ...-ийн туршид хөгжсөн.Agents API ашигласан бөгөөд өнөөдөр нэг үйлчлүүлэгч дуудлагынхаа талаас илүү хувийг хиймэл оюун ухаанаар хариуцаж байна.
Эдгээр байршуулалтыг үйлдвэрлэлд нэвтрүүлснээр бидэнд ямар асуудлуудад захиалгат шийдэл шаардлагатай, бусад багууд ямар барилгын блокуудыг ашиглаж болохыг зааж өгсөн. Бид эдгээр барилгын блокуудыг Presence-д авчирсан бөгөөд ингэснээр хөгжүүлэгчид үндсэн дэд бүтцийг сэргээн засварлахгүйгээр зохицуулалттай ажлын урсгалыг автоматжуулахад хялбар болсон. Байршуулалт бүр нь бүтээгдэхүүнийг хэлбэржүүлэхэд тусалж, дараагийн үйлчлүүлэгчдэд илүү сайн эхлэлийн цэгийг өгсөн.
-тай хамт Thrive Holdings , OpenAI FDEs болон судлаачид Критийн нягтлан бодох бүртгэлийн фирмүүдэд зориулсан татварын хиймэл оюун ухааныг бий болгохын тулд инженерүүд болон нягтлан бодогчидтой хамтран ажилласан. Туршилтын хугацаандаа Tax AI нь 7000 татварын тайланг боловсруулж, ашиглалтын хэмжээг 50 орчим хувиар нэмэгдүүлсэн.
Хамгийн хэцүү сорилтуудын нэг нь түрээсийн үл хөдлөх хөрөнгийн буцаалтыг автоматжуулах явдал байсан бөгөөд 90%-ийн нарийвчлал, эргэн санах түвшинд хүрэхийн тулд зургаан долоо хоногийн инженерчлэл болон мэргэжлийн хяналтын ажилтан шаардлагатай байв. Энэхүү ажил нь татварын хиймэл оюун ухааныг бусад нарийн төвөгтэй татварын хуваарьт өргөжүүлэхэд хялбар болгосон дахин ашиглах боломжтой загваруудыг бий болгосон.
Багууд одоо нягтлан бодох бүртгэл, аудит, мэдээллийн технологийн дэмжлэгт ижил аргыг хэрэглэж байгаа бөгөөд мэргэжилтнүүдийн санал хүсэлт болон бодит хэрэглээгээр дамжуулан сайжруулсан системийг бий болгож байна.
Заримдаа илүү сайн бүтээгдэхүүн бүтээсэн зүйлээ хялбарчлах боломж олгодог ч заримдаа загвар өөрөө тухайн ажлыг хараахан хийж чаддаггүй.
Хэрэв бид зөвхөн өнөөгийн загваруудын хийж чадах зүйлийг л бүтээвэл Судалгааны багийн дараагийн ээлжид арилгах ёстой оюуны чадавхын дутагдлуудыг олж илрүүлэхгүй. Тиймээс манай олон чухал хамтын ажиллагаа чадавхын тэр хязгаараас эхэлдэг. Харилцагч, технологийн нэвтрүүлэлтийн инженерүүд, Судалгааны баг түүнийг хамтдаа даван туулахаар зорьдог.
Бид харилцаа холбооны томоохон харилцагчтай хамтран хэрэглэгчдэд үйлчлэх платформ бүтээсэн байсан бөгөөд тэд үүнийг дуут үйлчилгээгээр өргөжүүлэхийг хүссэн.
Тэдний хэрэглэгчдэд үзүүлдэг нийт үйлчилгээний 90 орчим хувийг дуут үйлчилгээ эзэлж байв. Ийм хүсэлтийг ажилтанд шилжүүлэлгүй шийдвэрлэх нь чатаас илүү зардалтай байв. Мөн аялга, дууны өнгө, хариулах хурд, зөв байдлыг бодит хэрэглээний шаардлагад нийцүүлэхэд техникийн олон шинэ бэрхшээл тулгарсан. Үүнийг амжилттай шийдвэл тэдний бизнест томоохон өөрчлөлт авчрах байлаа.
Ажлын цар хүрээг тодорхойлох үеэр загвар маань бодит хэрэглээнд энэ ажлыг хийж чадах эсэхийг шалгах гол үнэлгээнүүдэд 60 орчим хувийн үзүүлэлттэй байсан. Бид түүний чадавхын хязгаарт хүрсэн байв. Хэрэглэгчдэд үйлчлэх нөхцөлд функц дуудах, заавар дагах чадварыг сайжруулах шаардлагатай байлаа.
Бид үүнийг харилцагчдаа тайлбарлаж, Судалгааны багийг ажилдаа оролцуулсан. Технологийн нэвтрүүлэлтийн инженерүүд харилцагчтай хамтран платформыг бүтээж, загвар юу хийх шаардлагатайг тодорхойлсон. Судалгааны баг чадавхын дутагдлыг арилгахаар ажилласан бөгөөд загварын дараалсан хувилбаруудын ахицыг харилцагчийн шаардлагатай харьцуулан шалгах боломжтой болсон.
Зургаан сарын хугацаанд гол үнэлгээнүүдийн үзүүлэлт 60 орчим хувиас 80 хувь, дараа нь 90 гаруй хувь болж өсөж, бодит хэрэглээнд шаардлагатай түвшинд хүрсэн.
Ингэж бүтээсэн дуут загвар нь одоо тухайн харилцагчийн шийдэл, хэрэглэгчийн үйлчилгээнд зориулсан бусад тусгай шийдэл, мөн Presence-ээр дамжуулан удирддаг шийдлүүдийн үндэс болж байна. Нэг харилцагчийн бизнест тулгарсан асуудал бусад олон харилцагчид тустай сайжруулалтуудыг тодорхойлоход тусалсан.
Оролцогч бүрийн хувь нэмэр чухал байлаа. Харилцагч загварын хараахан шийдэж чадахгүй асуудал дээр хамтран ажиллахаар тууштай шийдсэн. Технологийн нэвтрүүлэлтийн инженерүүд харилцагчтай нягт хамтран асуудлыг тодорхойлж, платформыг бүтээж, хамтын ажиллагааг эхнээс нь дуустал урагшлуулсан. Судалгааны баг суурь загварын чадавхыг сайжруулсан.
Энэ бол бидний оролцоо шаардлагагүй болох нөхцөлийг бүрдүүлэх нөгөө хэлбэр: өнөөгийн загваруудын шийдэж чадахгүй асуудлыг ирээдүйн загваруудын чадавх болгоход туслах юм. Бидний ажлын өгөөж аль нэг харилцагчтай ажилласан цагаар хязгаарлагддаггүй.
Би хиймэл оюун ухааныг хүмүүсийн өдөр тутмын ажилд хэрэгтэй болгоход хувь нэмэр оруулахаар OpenAI-д нэгдсэн. Энэ зорилго өнөөдөр ч багийг маань чиглүүлж байна. Том хэлний загвар (LLM) хөгжүүлэхэд ихэнх тохиолдолд Оккамын тонгоргийн зарчим үйлчилдэг буюу хамгийн энгийн шийдэл нь хамгийн сайн байдаг гэж би багийнхандаа байнга хэлдэг. Бид тэргүүний судалгаагаараа тодорхойлогддог компанид, хэт дөвийлгөсөн ярианд дарагдсан салбарт ажиллаж байгаа ч бодит ажил хийж буй хүмүүсийн найдаж болох, найдвартай ажилладаг зүйлс бүтээхийг хүсдэг.
Хамтын ажиллагаа бүр дараагийн алхмыг сайжруулах ёстой: нэвтрүүлэхэд хялбар бүтээгдэхүүн, илүү хүнд даалгавар гүйцэтгэх загвар, эсвэл дараагийн харилцагчид зориулан тусгайлан хийх ажлыг багасгах нь бидний зорилго.
Танд шийдэхийг хүсэж буй хүнд асуудал байгаа бол бид хамтран ажиллахдаа баяртай байх болно. Хэрэв та ийм асуудлуудыг шийдэхэд хувь нэмэр оруулахыг хүсвэл манай багт нэгдээрэй.
Тэгвэл бидний хэдэн сар зарцуулж бүтээсэн зүйлийн ажлыг Codex хийж чаддаг болоход бид яах вэ?
Илүү хүнд асуудлыг олно.
