OpenAI मध्ये फॉरवर्ड डिप्लॉइड इंजिनिअरची भूमिका
आम्ही काय करतो, कसे काम करतो आणि व्यवसायांच्या कठीण समस्या सोडवून प्रत्यक्ष परिणाम कसे साधतो.
लेखक: कॉलिन जार्विस, OpenAI मधील फॉरवर्ड डिप्लॉइड इंजिनिअरिंगचे प्रमुख
Codex उपलब्ध झाले तेव्हा टीमच्या एका सदस्याने मला विचारले, “गेली काही महिने ज्या वापर प्रकरणांसाठी आपण सिस्टम उभारत होतो, ती कामे Codex एकाच प्रयत्नात करू लागला तर आपण काय करायचे?”
OpenAI मध्ये फॉरवर्ड डिप्लॉइड इंजिनिअर असणे म्हणजे काय, याच्या मुळाशी हा प्रश्न जातो. आम्ही ग्राहकांसोबत काम करून त्यांच्या सर्वांत कठीण समस्या समजून घेतो आणि त्यांना विश्वासाने वापरता येतील असे उपाय तयार करतो. यातून आम्हाला जे शिकायला मिळते, त्याचा आमच्या उत्पादनांना आकार देण्यासाठी उपयोग होतो आणि संशोधन टीमला सोडवण्यासाठी ठोस समस्या मिळतात.
हीच प्रगती आहे. दर दोन-एक महिन्यांनी आम्ही आधी करत असलेल्या कामात आमची गरज उरत नसेल, तर आमची फॉरवर्ड डिप्लॉइड इंजिनिअरची टीम आपले काम योग्यरीत्या करत आहे असे समजावे.
आम्ही ज्याला “प्रत्यक्ष डिप्लॉयमेंटमधील दरी” म्हणतो ती भरून काढण्यासाठी मी 2025 च्या सुरुवातीला ही टीम स्थापन केली. मॉडेल काय करण्यास सक्षम दिसतात आणि लोक आपल्या कामासाठी विश्वासाने काय वापरू शकतात, यांतील हे अंतर आहे.
मॉडेलच्या क्षमता ज्या वेगाने वाढल्या, त्या वेगाने त्यांचा वापर करण्यासाठी आवश्यक सिस्टम आणि प्रक्रिया विकसित झाल्या नाहीत. कधीकधी एखाद्या उत्पादनाची उणीव असते. कधीकधी मॉडेल प्रमाणित चाचणीत चांगली कामगिरी करते, पण प्रत्यक्ष परिस्थितीतील बदलते घटक आणि मर्यादा यांमुळे काम करू शकत नाही.
आम्ही ग्राहकांच्या सर्वांत कठीण समस्यांवर लक्ष देतो. आमची मॉडेल्स आज जिथे काम करू शकतात, तिथे तो उपाय पुन्हा वापरता यावा यासाठी आम्ही उत्पादन टीम आणि ग्राहकासोबत काम करतो. जिथे मॉडेल कमी पडतात, तिथे नेमकी उणीव शोधून सुधारणा करण्यासाठी ग्राहक आणि संशोधन टीम्स सोबत काम करतो. प्रत्येक सहकार्य प्रोजेक्टमधून पुढच्या ग्राहकाला सुरुवातीसाठी अधिक चांगला पाया मिळावा, हे आमचे उद्दिष्ट आहे. पुढच्या वेळी अशा प्रकारची समस्या सोडवण्यासाठी ग्राहकांना फॉरवर्ड डिप्लॉइड इंजिनिअरची गरज भासू नये इतकी मूलभूत पातळी आम्ही उंचावू शकलो, तर आम्ही आमचे काम चांगले केले असे म्हणता येईल.
शेतकऱ्यांना त्यांच्या गरजेनुसार वैयक्तिक सल्ला मोठ्या प्रमाणावर कसा द्यायचा, हे 200 वर्षे जुन्या, कृषी व्यवसायात असलेल्या John Deereसमोरील आव्हान होते.
त्याचे एक उदाहरण म्हणजे See & Spray हे अचूक तणनियंत्रण तंत्रज्ञान. ते कॅमेरे आणि यंत्रशिक्षणाच्या मदतीने तण ओळखते आणि संपूर्ण शेतावर फवारणी करण्याऐवजी केवळ तणांवर फवारणी करते. त्यामुळे रसायनांचा वापर 70% पर्यंत कमी होतो.
पण हे फायदे प्रत्यक्षात मिळण्यासाठी शेतकऱ्यांना तंत्रज्ञानाची मांडणी कशी करायची, हंगामाचे नियोजन कसे करायचे आणि परिस्थिती बदलताच शेतीच्या पद्धती कशा बदलायच्या हे माहीत असणे आवश्यक आहे.
हा पाठिंबा वैयक्तिक गरजांनुसार आणि मोठ्या प्रमाणावर उपलब्ध करून देण्यासाठी John Deere ने OpenAI चे API वापरले.
AI शेतकऱ्यांच्या प्रश्नांना नैसर्गिक भाषेत उत्तरे देऊ शकते, त्यांच्या गरजेनुसार उपकरणांच्या मांडणीचे मार्गदर्शन आणि शिफारसी देऊ शकते, उपकरणांची पूर्ण क्षमता वापरली जात नसल्याची शक्यता ओळखू शकते आणि या तंत्रज्ञानातून नेमका काय फायदा मिळतो आहे हे शेतकऱ्यांना समजावून सांगू शकते.
ही संधी एका संवादापुरती मर्यादित नाही. ग्राहक म्हणून शेतकऱ्यांच्या संपूर्ण प्रवासात त्यांना योग्य मार्गदर्शन देता येते, ज्यामुळे ते उपकरणांचा अधिक चांगला वापर करू शकतात आणि कार्यक्षमता व शाश्वतता वाढवू शकतात.
OpenAI चे फॉरवर्ड डिप्लॉइड इंजिनिअर अशाच प्रकारची आव्हाने सोडवतात: AI च्या क्षमतांच्या आधारे गुंतागुंतीच्या, वास्तविक परिस्थितीत प्रत्यक्ष फायदा देणाऱ्या सिस्टम उभारण्यासाठी संस्थांना मदत करतात.
पण अनेकदा या समस्यांची व्याप्ती निश्चित नसते, अचूकता पडताळण्यासाठी प्रस्थापित आधार नसू शकतो आणि तयार कार्यपद्धतीही नसते. यापूर्वी कधीही अस्तित्वात नसलेली गोष्ट प्रत्येकाला तयार करायची असते. पण ती प्रत्यक्षात आणण्यासाठी जे करावे लागते ते करण्याची तयारी मोजक्यांचीच असते.
“पुरेसे चांगले” म्हणण्यासाठीचा किमान दर्जा उंचावत असतानाच प्रतिभावान फॉरवर्ड डिप्लॉइड इंजिनिअर शोधण्यासाठी सतत प्रयोग आणि प्रत्यक्ष अंमलबजावणी करावी लागली आहे.
फॉरवर्ड डिप्लॉइड इंजिनिअरच्या टीमच्या प्रत्येक सत्राच्या सुरुवातीला मी एका मूलभूत मूल्याची स्लाइड दाखवतो: “अपेक्षित परिणामापासून सुरुवात करा, यशासाठी जे आवश्यक आहे ते करा आणि मग विस्तार करा”.
एखादा प्रभावी डेमो प्रत्यक्ष जगात काम करतो का, असा प्रश्न कोणी विचारेपर्यंत त्या डेमोला भरपूर दाद मिळू शकते.
प्रत्यक्ष वापरात ज्या दर्जाची गरज असते, त्या दर्जाने ग्राहकाची समस्या सोडवणे हे आमचे काम आहे.
2025 च्या मध्यात, आमचे सुमारे 15 फॉरवर्ड डिप्लॉइड इंजिनिअर सेमीकंडक्टर क्षेत्रातील एका मोठ्या ग्राहक कंपनीसोबत 10 पेक्षा अधिक वापरप्रकरणांवर काम करत होते. त्यांची सत्यापन प्रक्रिया मुळापासून AI वर आधारित बनवण्याचे उद्दिष्ट होते. यात पुढील बाबींचा समावेश होता:
विशिष्ट उद्दिष्टांसाठी चाचण्यांची निर्मिती
मूळ कारणांचे विश्लेषण आणि डीबगिंग
आर्किटेक्चर सहाय्यक
या उद्योगात प्रोजेक्टमधील एकूण श्रमांपैकी सुमारे 70% श्रम सत्यापनावर खर्च होऊ शकतात. संधी प्रचंड मोठी होती आणि सुरुवात करण्यासाठी अनेक पर्याय होते.
काही फॉरवर्ड डिप्लॉइड इंजिनिअर काही दिवसांपूर्वीच OpenAI मध्ये रुजू झाले होते आणि त्यांनी सेमीकंडक्टर क्षेत्रात कधीही काम केले नव्हते. ते ग्राहकाच्या सत्यापन टीममध्ये मिसळून काम करू लागले. मोकळ्या वेळेत त्यांनी चिपच्या रचनेचा अभ्यास केला आणि AI उपयुक्त चाचण्या तयार करू शकते का व चिपमधील बिघाडांचे अचूक निदान करू शकते का हे तपासण्यासाठी इंजिनिअर्ससोबत मूल्यमापन चाचण्या तयार केल्या.
हे शिकत असतानाच आम्ही प्रत्येक वापरप्रकरणासाठी खास हार्नेस तयार केले. पहिल्या 3–6 महिन्यांत ही सर्व वापरप्रकरणे प्रत्यक्ष वापरासाठी सज्ज झाली आणि काही वापरकर्त्यांनी ती वापरण्यास सुरुवातही केली. या प्रयत्नांचे फळ आकडेवारीत दिसले:
AI च्या मदतीने विशिष्ट उद्दिष्टांसाठी चाचण्या तयार केल्यामुळे सुमारे 48% वेळ वाचला.
कर्नेलच्या कार्यक्षमतेत सुधारणा केल्यामुळे कामगिरीतील सुधारणेचे मध्यक 22% होते.
डीबगिंगसाठी लागणारा अनेक आठवड्यांचा वेळ काही तासांवर आला
आम्ही हे सर्व सादर केले तेव्हा मुख्य हार्डवेअर अधिकाऱ्यांनी विचारले, “इथे येण्यापूर्वी तुम्ही चिप डिझायनर म्हणून काम करत होतात का?”
आमच्या फॉरवर्ड डिप्लॉइड इंजिनिअरना पहिल्याच दिवशी उद्योगाची माहिती असणे आवश्यक नाही, पण ती शिकून घेण्याची जबाबदारी त्यांची आहे.
प्रोग्रामिंग सहाय्यकांमुळे सॉफ्टवेअर अधिक वेगाने तयार करता येत असल्याने, ग्राहकाचा व्यवसाय समजून घेणे आणखी महत्त्वाचे ठरते. आमच्या टीम्समध्ये विविध क्षेत्रांत काम करू शकणारे लोक आणि विशिष्ट क्षेत्रातील तज्ज्ञ, दोन्ही असतात.
योग्य निर्णय घेण्यासाठी पुरेसे ज्ञान आणि सध्याच्या परिस्थितीबद्दलच्या गृहीतकांवर प्रश्न उपस्थित करण्याइतकी जिज्ञासा आवश्यक असते.
उदाहरणार्थ, जीवशास्त्राच्या क्षेत्रात आमच्या फॉरवर्ड डिप्लॉइड इंजिनिअरची वैज्ञानिक पार्श्वभूमी त्यांना संशोधकांचा विश्वास संपादन करण्यास मदत करते. हे संशोधक औषधशोधाच्या चिकित्सापूर्व टप्प्यात औषधांच्या जैविक लक्ष्यांची पडताळणी व प्राधान्यक्रम ठरवणे, जनुक-अभिव्यक्तीचे विश्लेषण आणि रासायनिक संश्लेषण मार्गांची पुनर्रचना अशा कामांत गुंतलेले असतात. त्या कौशल्यामुळे हे कार्यप्रवाह कसे सुधारता येतील याबद्दल त्यांना अभ्यासपूर्ण मते मांडता येतात.
या कार्यप्रवाहांतून फायदा मिळू शकतो हे आम्ही दाखवून दिले होते. पण प्रत्येक कार्यप्रवाह दुसऱ्या टीमपर्यंत पोहोचवण्यासाठी अजूनही गरजेनुसार खूप इंटीग्रेशनचे काम करावे लागत होते. मिळालेले परिणाम कायम ठेवून सॉफ्टवेअरचे डिप्लॉयमेंट आणि देखभाल अधिक सोपी करणे, हे पुढचे आव्हान होते.
तोपर्यंत Codex च्या क्षमता वाढल्या होत्या. एका फॉरवर्ड डिप्लॉइड इंजिनिअरने Codex वर आधारित ॲप्लिकेशन नव्याने उभारून पाहिली. त्यानंतर टीमसोबत काम करून ही वापर प्रकरणे Codex केंद्रस्थानी असलेल्या एका शेअर केलेल्या हार्नेसवर हलवली.
गरजेनुसार तयार केलेल्या ॲप्लिकेशन्स आता Codex च्या शेअर केलेल्या मूलभूत घटकांवर उभारलेल्या प्लगइन आणि कौशल्यांमध्ये रूपांतरित झाले. Codex हाच वापरकर्ता-संवादाचा मार्गही बनला. त्यामुळे वेगवेगळ्या वापर प्रकरणांसाठी आम्ही तयार केलेले स्वतंत्र टर्मिनल वापरकर्ता इंटरफेस आणि CLI बंद करता आले.
प्रत्येक प्रोजेक्टमधून गरजेनुसार लिहिलेला सुमारे 90% कोड आम्हाला काढून टाकता आला. यामुळे हे कार्यप्रवाह तयार करण्याची, त्यांची देखभाल करण्याची आणि त्यांचा विस्तार करण्याची पद्धत बदलली:
Codex मध्ये केंद्रीय पातळीवर होणाऱ्या सुधारणांचा आम्हाला फायदा घेता आला. त्यामुळे प्रत्येक वापर प्रकरणासाठी वेगवेगळे घटक जोडणारा कोड कमी लिहावा लागला
मुख्य कार्यक्षमता कौशल्ये आणि प्लगइन यांच्या रूपात एकत्रित केल्या. त्यामुळे त्या एकमेकांसोबत शेअर करणे आणि AI उत्कृष्टता केंद्रातून त्यांचे केंद्रीय नियंत्रण करणे सोपे झाले. यामुळे एका टीमकडून दुसऱ्या टीमपर्यंत विस्तार करणे म्हणजे नवीन कनेक्टर किंवा MCP सर्व्हर जोडणे, नव्या मूल्यमापन चाचण्या तयार करणे—ज्यासाठीही आमच्याकडे एक कौशल्य होते—आणि काम सुरू करणे, इतके सोपे होऊ शकले.
ऑगस्ट 2026 मधील एका उदाहरणात, सुरुवातीच्या अंमलबजावणीला दोन महिने लागले. तोच उपाय दुसऱ्या टीमपर्यंत पोहोचवायला एक दिवस लागला. विस्तार करत गेलो तसतसे पुढच्या टीम्स अधिक वेगाने सहभागी होऊ लागल्या. हा क्रम पुढेही सुरू राहिला: ऑगस्ट 2026 मधील एका वापर प्रकरणात सुरुवातीच्या डिप्लॉयमेंटसाठी 2 महिने लागले, पण दुसऱ्या टीमला ते वापरता येण्यासाठी फक्त 1 दिवस लागला.
आपलीच गरज उरू न देण्याचा हा एक मार्ग आहे. प्रत्यक्ष वापरापर्यंत पोहोचण्यासाठी आम्ही केलेल्या कामातून काय महत्त्वाचे आहे हे स्पष्ट झाले होते. मूलभूत उत्पादन सुधारत गेले, तसतशी आम्हाला आमच्या खास अंमलबजावणीतील बरीच कामे त्याच्याकडे सोपवता आली आणि त्यातून मिळणारा फायदाही कायम ठेवता आला.
म्हणूनच कामाचा क्रम महत्त्वाचा आहे. LLM मुळे आम्हाला वेगाने निर्मिती करता येते. त्या वेगाचा उपयोग करून वापरकर्त्यांच्या हाती काहीतरी उपयुक्त द्या, प्रत्यक्षात काय टिकून राहते ते शिका आणि मग जे यशस्वी होते त्याचा विस्तार करा.
हेच तत्त्व सर्व सहकार्य प्रोजेक्ट्सना लागू होते.
एंटरप्राइझ व्हॉइस आणि चॅट एजंट्ससाठीचे उत्पादन OpenAI Presence ग्राहकांच्या प्रत्यक्ष डिप्लॉयमेंटपासूनच विकसित झाले आहे. या कामाची सुरुवात Swarm(नवीन विंडोमध्ये उघडेल) पासून झाली आणि ते एजंट्स API मधून विकसित होत गेले आणि आज एका ग्राहकाकडे त्यांच्या निम्म्याहून अधिक कॉल्स AI च्या साहाय्याने हाताळले जातात.
ते डिप्लॉयमेंट प्रोडक्शनमध्ये आणताना आम्हाला शिकायला मिळालं की कोणत्या समस्यांसाठी विशेष उपायांची गरज आहे आणि कोणते मूलभूत घटक इतर टीम्स वापरू शकतात. आम्ही ते मूलभूत घटक Presence मध्ये आणले, ज्यामुळे डेव्हलपर्सना मूळ पायाभूत सोयींची पुनर्रचना न करता नियमित कार्यप्रवाहांना ऑटोमेट करणे सोपे झाले. प्रत्येक डिप्लॉयमेंटने उत्पादनाला आकार देण्यास मदत केली आणि पुढील ग्राहकाला एक अधिक चांगली सुरुवात मिळाली.
येथे Thrive Holdings सोबत OpenAI फ्रंट डिप्लॉइड इंजिनिअर्स आणि संशोधकांनी इंजिनिअर्स आणि अकाउंटंट यांच्यासोबत काम करून क्रीटमधील अकाउंटिंग फर्मसाठी टॅक्स AI तयार केले. त्याच्या प्रायोगिक चाचणीदरम्यान, टॅक्स AI ने 7,000 टॅक्स रिटर्नवर प्रक्रिया केली आणि थ्रुपुट सुमारे 50% ने वाढवला.
सर्वात कठीण आव्हानांपैकी एक होते भाड्याच्या मालमत्तेचे रिटर्न ऑटोमेट करणे, ज्यासाठी 90% अचूकता आणि रिकॉल गाठण्याकरिता सहा आठवड्यांचे इंजिनिअरिंग आणि व्यावसायिक पुनरावलोकन आवश्यक होते. या कामामुळे पुनर्वापर करण्यायोग्य पॅटर्न तयार झाले, ज्यामुळे टॅक्स AI ला टॅक्सच्या इतर जटिल फॉर्म्सवर विस्तारित करणे सोपे झाले.
टीम्स आता हिशेब ठेवणे, ऑडिट आणि आयटी सहाय्य यासाठीही तोच दृष्टिकोन वापरत आहेत—म्हणजेच, व्यावसायिकांच्या अभिप्रायातून आणि प्रत्यक्ष वापरातून सुधारणाऱ्या सिस्टम्स तयार करत आहेत.
कधीकधी अधिक चांगल्या उत्पादनामुळे आपण उभारलेली सिस्टम सोपी करता येते, पण कधीकधी मॉडेलमध्येच ते काम करण्याची क्षमता अद्याप नसते.
आजची मॉडेल्स जे आधीच शक्य करतात तेवढेच जर आपण तयार करत राहिलो, तर संशोधन टीमने पुढे कोणत्या बौद्धिक उणिवा भरून काढायला हव्यात हे आपल्याला कळणार नाही. म्हणूनच आमच्या अनेक महत्त्वाच्या सहकार्य प्रोजेक्ट्सची सुरुवात या मर्यादांपासून होते. त्या एकत्रितपणे ओलांडण्यासाठी ग्राहक, फॉरवर्ड डिप्लॉइड इंजिनिअर आणि संशोधन टीम कटिबद्ध असतात.
आम्ही दूरसंचार क्षेत्रातील एका मोठ्या ग्राहक कंपनीसोबत ग्राहकसेवेचा प्लॅटफॉर्म आधीच तयार केला होता आणि त्यांना त्यात ध्वनीसंवादाची सोयही जोडायची होती.
त्यांच्या ग्राहकसेवेतील सुमारे 90% संवाद बोलून होत होते. चॅटच्या तुलनेत ही प्रकरणे हाताळणे अधिक खर्चिक होते. तसेच, विविध उच्चार समजून घेणे, आवाजाचा सूर आणि त्यातील लॅटन्सी व अचूकता प्रत्यक्ष वापरासाठी आवश्यक दर्जापर्यंत नेणे, अशी अनेक नवी तांत्रिक आव्हाने होती. हे योग्यरीत्या साध्य झाल्यास त्यांच्या व्यवसायाला मोठा फायदा होणार होता.
कामाची व्याप्ती ठरवताना, प्रत्यक्ष वापरात मॉडेल हे काम करू शकेल का हे तपासण्यासाठी आम्ही वापरलेल्या प्रमुख मूल्यमापन चाचण्यांमध्ये त्याला सुमारे 60% गुण मिळाले. आम्ही त्याच्या क्षमतांची मर्यादा गाठली होती. ग्राहकसेवेच्या प्रसंगांमध्ये फंक्शन कॉलिंग आणि सूचनांचे पालन यांत सुधारणा होणे गरजेचे होते.
आम्ही ग्राहकाला हे समजावून सांगितले आणि संशोधन टीमला या कामात सहभागी करून घेतले. फॉरवर्ड डिप्लॉइड इंजिनिअरने ग्राहकासोबत प्लॅटफॉर्म उभारण्याचे आणि मॉडेलने नेमके काय केले पाहिजे हे ठरवण्याचे काम केले. संशोधन टीमने क्षमतांमधील उणीवा भरून काढण्यावर काम केले. मॉडेलच्या एकापाठोपाठ येणाऱ्या आवृत्त्यांमुळे ग्राहकाच्या गरजांनुसार प्रगती तपासता आली.
सहा महिन्यांत प्रमुख मूल्यमापन चाचण्यांमधील कामगिरी सुमारे 60% वरून 80% आणि नंतर 90% पेक्षा जास्त झाली. अशा प्रकारे प्रत्यक्ष वापरासाठी आवश्यक पातळी गाठली गेली.
या कामातून तयार झालेले ध्वनीसंवादाचे मॉडेल आता त्या ग्राहकाच्या सिस्टममध्ये, इतर ग्राहकांसाठी खास तयार केलेल्या ग्राहकसेवा सिस्टम्समध्ये आणि Presence द्वारे व्यवस्थापित सिस्टम्समध्ये वापरले जाते. एका ग्राहकाच्या व्यवसायात आलेल्या समस्येमुळे अशा सुधारणा ओळखता आल्या, ज्यांचा फायदा इतर अनेकांना होऊ शकतो.
प्रत्येक भाग महत्त्वाचा होता. मॉडेल अद्याप सोडवू शकत नसलेल्या समस्येवर काम करण्यास ग्राहक कटिबद्ध होता. फॉरवर्ड डिप्लॉइड इंजिनिअरने ग्राहकासोबत जवळून काम करत समस्या नेमकी मांडली, प्लॅटफॉर्म उभारला आणि सुरुवातीपासून शेवटपर्यंत सहकार्य प्रोजेक्ट पुढे नेला. संशोधन टीमने मूळ मॉडेलच्या क्षमतांमध्ये सुधारणा केली.
आपलीच गरज उरू न देण्याचा हा दुसरा मार्ग आहे: आजची मॉडेल जी समस्या सोडवू शकत नाहीत, ती सोडवण्याची क्षमता भविष्यातील मॉडेलमध्ये आणण्यास मदत करणे. आमच्या कामाचा फायदा कोणत्याही एका ग्राहकासोबत घालवलेल्या तासांपुरता मर्यादित राहत नाही.
लोकांच्या दैनंदिन कामात AI उपयोगी ठरावे यासाठी मदत करण्याच्या उद्देशाने मी OpenAI यायचे ठरवले. आजही हेच उद्दिष्ट टीमला दिशा देते. मी टीमला नेहमी सांगतो की LLM विकासात बहुतांश वेळा ऑखमचे साधेपणाचे तत्त्व लागू होते—सर्वांत सोपा उपाय हाच सर्वोत्तम असतो. अत्याधुनिक संशोधन ही ओळख असलेल्या कंपनीत आणि अतिशयोक्तीने प्रतिमा डागाळलेल्या उद्योगात काम करताना, प्रत्यक्ष क्षेत्रात काम करणारे लोक विसंबून राहू शकतील अशा विश्वासार्ह गोष्टी आम्हाला तयार करायच्या आहेत.
प्रत्येक सहकार्य प्रोजेक्टमधून पुढचे काम अधिक चांगले व्हावे, हे उद्दिष्ट आहे: डिप्लॉय करणे अधिक सोपे असलेले उत्पादन, आणखी कठीण काम हाताळू शकणारे मॉडेल किंवा पुढच्या ग्राहकासाठी कमी प्रमाणात करावे लागणारे खास काम.
तुम्हाला एखादी कठीण समस्या सोडवायची असेल, तर तुमच्यासोबत काम करायला आम्हाला आवडेल. अशा समस्या सोडवण्यात तुम्हाला मदत करायची असेल, तर आमच्या टीममध्ये तुमचे स्वागत आहे.
मग, जी सिस्टम उभारण्यासाठी आम्हाला अनेक महिने लागले, ते काम Codex करू लागल्यावर आम्ही काय करतो?
आणखी कठीण समस्या शोधतो.
