Ada သည် GPT‑4 ကို အသုံးပြုပြီး ဖောက်သည်ဝန်ဆောင်မှု စံနှုန်းသစ်တစ်ခု ပေးအပ်သည်

Ada သည် ဖောက်သည်ဝန်ဆောင်မှု အသုံးစရိတ်တွင် $100B အပြောင်းအလဲ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကို မောင်းနှင်ပေးနေပြီး၊ ဤပြောင်းလဲမှု၏ ရှေ့တန်းတွင် ၎င်းတို့၏ AI-native ဖောက်သည်ဝန်ဆောင်မှု အလိုအလျောက်လုပ်ဆောင်ရေး ပလက်ဖောင်း ရှိနေသည်။ 2016 ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့သော Ada⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် ယခု $1.2B တန်ဖိုးရှိလာပြီး ရင်းနှီးမြှုပ်နှံမှု စုစုပေါင်း $200M ရရှိထားသည်။ ၎င်း၏ ဖောက်သည်များတွင် Verizon၊ YETI၊ Canva နှင့် Square တို့ ပါဝင်သည်။

Ada သည် AI ကို ယခုမှ စတင်အသုံးပြုသူ မဟုတ်ပါ—စတင်တည်ထောင်ချိန်ကတည်းက AI-native ပလက်ဖောင်းတစ်ခုဖြစ်ခဲ့သည်။ ထုတ်ကုန်၏ ပထမမျိုးဆက်ကို in-house တီထွင်ပြီး လေ့ကျင့်ပေးထားသော custom Natural Language Processing (NLP) မော်ဒယ်များဖြင့် တည်ဆောက်ခဲ့သည်။ သို့သော် ၎င်းတို့၏ ပလက်ဖောင်းက ကိုင်တွယ်နိုင်သော ဖောက်သည်မေးခွန်း အရေအတွက်နှင့် တကယ်တမ်း ကျေနပ်ဖွယ်ကောင်းစွာ ဖြေရှင်းနိုင်သော query အရေအတွက်အကြား ကွာဟမှုတစ်ခု ရှိနေသည်ကို တွေ့ရှိခဲ့သည်။

ဖောက်သည်ဝန်ဆောင်မှုအတွက် စက်မှုလုပ်ငန်း စံနှုန်းမက်ထရစ်ဖြစ်သော containment rate သည် chatbot က အစအဆုံး ကိုင်တွယ်ပြီး လူ့အေးဂျင့်ထံ မရောက်သွားသော ဖောက်သည်မေးမြန်းမှု အရေအတွက်ကို တိုင်းတာသည်။ containment rate တိုးလာပါက သီအိုရီအရ ဖောက်သည်ဝန်ဆောင်မှု၏ လုပ်ငန်းလည်ပတ်မှု ကုန်ကျစရိတ်ကို လျှော့ချနိုင်မည်ဖြစ်သည်။ သို့သော် Ada အဖွဲ့က ဤမက်ထရစ်တွင် ပြဿနာတစ်ခုကို တွေ့မြင်ခဲ့သည်။ 

“Ada အပါအဝင် ဖြေရှင်းနည်းများစွာသည် containment rate 80–100% ကို လွယ်ကူစွာ ပေးနိုင်သော်လည်း၊ အမှန်တကယ် ထို conversation transcript များကို ဖွင့်ဖတ်ကြည့်ပါက ဖောက်သည်အတွေ့အကြုံများမှာ အလွန်မကောင်းလှပါ,” ဟု Gozzo က ပြောသည်။ 

စကားပြောမှုများကို အမှန်တကယ် ဘယ်လောက်ကောင်းကောင်း ဖြေရှင်းပြီးသလဲ ဆိုသည့်အပေါ် အာရုံစိုက်ခြင်းအားဖြင့် Ada အဖွဲ့သည် ဖောက်သည်ဝန်ဆောင်မှု လုပ်ငန်းတွင် စံနှုန်းအသစ်တစ်ခု သတ်မှတ်နိုင်မည်ဟု သိခဲ့သည်။

အစပိုင်းတွင် GPT‑4 ကို ၎င်းတို့၏ သမိုင်းဆိုင်ရာဒေတာနှင့် ပေါင်းစပ်အသုံးပြုပြီး Ada သည် စကားပြောမှုများကို အလိုအလျောက် ဘယ်လောက်ကောင်းကောင်း ဖြေရှင်းခဲ့သည်ကို အကဲဖြတ်နိုင်သော evaluation framework အသစ်တစ်ခု တည်ဆောက်ခဲ့သည်။ Ada ၏ စနစ်သည် လူ့ဝင်ရောက်စွက်ဖက်မှုမလိုဘဲ သက်ဆိုင်ရာ၊ တိကျပြီး လုံခြုံသော တုံ့ပြန်ချက်များကို ဖောက်သည်များ မည်မျှရရှိသလဲ ဆိုသည့်အပေါ် မူတည်ကာ စကားပြောမှုတစ်ခုစီကို အဆင့်သတ်မှတ်ပေးသည်။ “ကျွန်ုပ်တို့၏ စမ်းသပ်မှုတွင် စကားပြောမှုကို လူတစ်ဦး ဖတ်ရှုအကဲဖြတ်ခြင်းနှင့် ကျွန်ုပ်တို့၏ စနစ်သည် 80–90% တူညီမှု ရရှိခဲ့သည်,” ဟု Gozzo က ပြောသည်။

ဖြေရှင်းနှုန်းကို နားလည်ခြင်းအားဖြင့် Ada သည် ၎င်းတို့၏ ထုတ်ကုန်အတွက် မြောက်ကြယ်လို လမ်းညွှန်ချက်တစ်ခု ရရှိခဲ့သည်။ အကဲဖြတ်ရန် OpenAI ၏ API ကို အသုံးပြုသည့်အပြင်၊ ၎င်းတို့သည် OpenAI နှင့် ပူးပေါင်းကာ AI အေးဂျင့် မျိုးဆက်သစ်ကို တည်ဆောက်ရန် ဆုံးဖြတ်ခဲ့သည်။ 

Ada သည် OpenAI ၏ မော်ဒယ်များကို ယခင်ကတည်းက အသုံးပြုခဲ့ပြီး အများအားဖြင့် ၎င်းတို့၏ NLP မော်ဒယ်များအတွက် လေ့ကျင့်ရေးဒေတာ ဖန်တီးရန် ဖြစ်သည်။ အသုံးပြုမှုအသစ်များအတွက် OpenAI ၏ API ကို စမ်းသပ်သုံးစွဲစဉ် Ada သည် ကွဲပြားထင်ရှားသော အချက်အချို့ကို မှတ်သားခဲ့သည်။ 

• Inference အရည်အသွေး: Ada သည် ၎င်းတို့၏ စနစ်နှင့် စကားပြောနေသော အဆုံးသတ်ဖောက်သည် သိန်းချီကို simulation လုပ်ပေးသည့် synthetic test framework တစ်ခု တည်ဆောက်ထားပြီး၊ ထို့ကြောင့် မော်ဒယ်များကို scalability နှင့် အရည်အသွေးပေါ်တွင် stress test လုပ်နိုင်သည်။ “ကျွန်ုပ်တို့သည် အဓိက မော်ဒယ်တိုင်းကို ထုတ်ပြန်ပြီး ရက်သတ္တပတ်အနည်းငယ်အတွင်း ပုံမှန် အကဲဖြတ်လေ့ရှိပြီး ယခုထိတော့ ကျွန်ုပ်တို့၏ evaluation set တွင် OpenAI ကို မည်သူမျှ မကျော်နိုင်သေးပါ,” ဟု Gozzo က ပြောသည်။ 
• Latency: Ada ၏ voice use case များအတွက် အကောင်းဆုံး စွမ်းဆောင်ရည် ရရှိစေရန် latency နည်းသော မော်ဒယ်များသည် အဓိကဖြစ်သည်။ “real-time ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အတွက် GPT‑4o ဖြင့် latency နှင့် အလုံးစုံ အရည်အသွေး နှစ်ခုစလုံးတွင် ကြီးမားသော တိုးတက်မှုကို ကျွန်ုပ်တို့ မြင်တွေ့ခဲ့ရသည်,” ဟု Gozzo က ပြောသည်။
• Fine-tuning: Ada သည် ပေးထားသော တုံ့ပြန်မှုတစ်ခုအတွင်း hallucination အဆင့်အပေါ် confidence score ပေးရန် OpenAI ၏ fine-tuning API ကို အသုံးပြုနေပြီး၊ စနစ်အတွင်း hallucination အရေအတွက်ကို လျှော့ချရန် ထို score ကို toolchain ၏ အခြားအစိတ်အပိုင်းများတွင်လည်း အသုံးပြုသည်။ “အချိန်ကြာလာသည်နှင့်အမျှ fine tuning ကို အသုံးပြုပြီး ကျွန်ုပ်တို့၏ စနစ်၏ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်ကို ပိုမိုကောင်းမွန်လာစေရန်၊ ထို့ပြင် ဤနည်းလမ်းက သေးငယ်ပြီး ကုန်ကျစရိတ်နည်းသော မော်ဒယ်များကို စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို တုပစေနိုင်မည့် အလားအလာအပေါ်လည်း ကျွန်ုပ်တို့ စိတ်လှုပ်ရှားနေပါသည်,” ဟု Gozzo က ပြောသည်။

ယနေ့ Ada ၏ AI အေးဂျင့် သည် OpenAI ၏ API ဖြင့် လည်ပတ်သော ဗဟို planning agent တစ်ခုနှင့် subagent များစုစည်းထားသော multi-agent configuration ကို အသုံးပြုနေသည်။ “Ada ကို အသုံးပြုသော လုပ်ငန်းတစ်ခုနှင့် သင် ဆက်သွယ်သည့်အခါတိုင်း သင့်မေးခွန်းကို OpenAI ၏ မော်ဒယ်များ၏ အလှည့်အပြောင်းများစွာမှတဆင့် ဖြတ်သန်းပေးမည်ဖြစ်ပြီး၊ နားလည်ခြင်း၊ ပြန်လည်စဉ်းစားခြင်း၊ tools များကို ခေါ်သုံးခြင်းနှင့် အသိပညာများ ထည့်သွင်းခြင်းတို့ကို လုပ်ဆောင်ကာ နောက်ဆုံး အဖြေကို ထုတ်ပေးမည်,” ဟု Gozzo က ရှင်းပြခဲ့သည်။ 

Ada ၏ ယခင်ထုတ်ကုန်ဗားရှင်းတွင် containment rate 70% ရှိခဲ့သော်လည်း resolution rate သည် 30% သာ ရှိခဲ့သည်။ Ada က စနစ်အသစ်သို့ ပြောင်းရွှေ့ပေးထားသော ဖောက်သည်များတွင် containment ရလဒ်များမှာ ဆင်တူနေသေးသော်လည်း ပုံမှန်အားဖြင့် resolution rate 60% အထိ မြင်ရပြီး စွမ်းဆောင်ရည်အကောင်းဆုံး ဖောက်သည်များမှာ 80% ကျော်အထိ ရှိသည်။ 

“နည်းပညာတစ်မျိုးမှ နောက်တစ်မျိုးသို့ ကူးပြောင်းရာတွင် ကျွန်ုပ်တို့ အလိုအလျောက်ဖြေရှင်းနိုင်သော စကားပြောမှု ပမာဏကို နှစ်ဆတိုးစေခဲ့ပြီး အတွေ့အကြုံကောင်းတစ်ခုလည်း ပေးနိုင်ခဲ့သည်,” ဟု Gozzo က ပြောသည်။ Ada ၏ ဖောက်သည်များအတွက် ဤမက်ထရစ်သည် ROI အပေါ် ကြီးမားသော downstream သက်ရောက်မှုရှိပြီး full time equivalent (FTE) ချွေတာမှု၊ ဖောက်သည်ကျေနပ်မှု၊ ထိန်းသိမ်းနိုင်မှုနှင့် signup အသစ်များ ပါဝင်သည်။ 

Ada သည် ဖောက်သည် query များကို ဖြေရှင်းနိုင်စွမ်းအပေါ် အလွန်ယုံကြည်မှုရှိသောကြောင့် လွန်ခဲ့သော နှစ်အနည်းငယ်က မဖြစ်နိုင်သလို ထင်ရမည့် 100% resolution rate ကိုပင် ရည်မှန်းထားသည်။ “ယခု 100% resolution သည် ဖြစ်မည်လား မဖြစ်မည်လား ဆိုတာမဟုတ်တော့ဘဲ ဘယ်အချိန်မှာ ဖြစ်မလဲ ဆိုတာသာ ဖြစ်လာပြီ,” ဟု Gozzo က ပြောသည်။ 

စျေးကွက်လည်း ပြောင်းလဲလာခဲ့သည်—Ada သည် automated resolution အကြောင်း ပြောဆိုသောအခါ သံသယများကို များများစားစား မကြုံတွေ့ရတော့ပါ။ “Enterprise များက ပိုမိုနားလည်တတ်လာကြပါတယ်,” ဟု Gozzo က ပြောသည်။ “သူတို့က AI strategy များကို အလေးအနက် စဉ်းစားနေကြပြီး ဒီလိုနည်းပညာကို သူတို့၏ လုပ်ငန်းဆောင်ရွက်မှုထဲသို့ ယူဆောင်လာရန် အားပေးနေကြပါတယ်။” ဖောက်သည်များသည် Ada ၏ LLM အခြေပြု AI အေးဂျင့် များကို လူ့အေးဂျင့်တစ်ဦးလိုပင် onboard လုပ်နိုင်၊ တိုင်းတာနိုင်၊ coach လုပ်နိုင်သည်။ လာမည့် 12 လအတွင်း Ada ၏ ရည်မှန်းချက်များမှာ ၎င်းတို့၏ ထုတ်ကုန်၏ transparency ကို အကြီးအကျယ် မြှင့်တင်ရန်နှင့် ဖောက်သည်များကို ပေးသည့် control lever များကို တိုးချဲ့ရန် ဖြစ်သည်။ 

ဖြစ်နိုင်ခြေအပေါ် ခံစားချက်သည် နှစ်ဖက်စလုံးတွင် ရှိနေသည်။ “OpenAI မှာ ကျွန်ုပ်တို့ ပူးပေါင်းလုပ်ကိုင်တဲ့ အခြားအဖွဲ့တွေထက် ထင်ရှားတာတစ်ခုက စိတ်လှုပ်ရှားမှုနဲ့ သိချင်စိတ် ပြည့်ဝနေတာပါပဲ,” ဟု Gozzo က ပြောသည်။ “အဖွဲ့ထဲက လူတိုင်းဟာ ဒီအရာအပေါ် တကယ် စိတ်အားထက်သန်နေကြတယ်လို့ ခံစားရပါတယ်။ စီးပွားရေးဆက်ဆံရေးကို ကျော်လွန်ပြီး ကျွန်ုပ်တို့ အတူတကွ တစ်စုံတစ်ရာ တည်ဆောက်နေကြတာပါ၊ ဒါက တကယ် လန်းဆန်းစေပါတယ်။”