ရှုပ်ထွေး၊ စည်းမျဉ်းရှိ နယ်ပယ်တွင် Blue J ချဲ့ထွင်ပုံ

သမားရိုးကျ အခွန်သုတေသနတွင် အချက်အလက်များကို အဓိပ္ပာယ်မဖော်မီပင် ရင်းမြစ်ရာပေါင်းများစွာကို ဦးစွာ စိစစ်ရှာဖွေရသည်။ ထို့နောက် အခွန်ပညာရှင်များသည် ဥပဒေပြဋ္ဌာန်းချက်များ၊ စည်းမျဉ်းများ၊ စီရင်ချက်များ၊ အမှုဥပဒေများနှင့် ကျွမ်းကျင်သူသုံးသပ်ချက်များကို နာရီပေါင်းများစွာ လေ့လာကာ စည်းမျဉ်းများ အပြန်အလှန်သက်ရောက်ပုံကို ဆက်စပ်ဖော်ထုတ်ပြီး အဖြေတစ်ခုအဖြစ် အနှစ်ချုပ်ရသည်။

မေးခွန်း၏ ရှုပ်ထွေးမှုအလိုက် ဤလုပ်ငန်းစဉ်သည် နာရီ၊ ရက် သို့မဟုတ် ရက်သတ္တပတ်များပင် ကြာနိုင်သော်လည်း ရလဒ်များမှာ မကိုက်ညီခြင်း သို့မဟုတ် ခေတ်နောက်ကျခြင်း ရှိနိုင်ဆဲဖြစ်ပြီး လွတ်သွားသည့် အသေးစိတ်တိုင်းအတွက် အမှန်တကယ် ကုန်ကျစရိတ်ရှိသည်။

အခွန်သုတေသနအတွက် ပိုမိုကောင်းမွန်သော ကိရိယာများ လိုအပ်ကြောင်း သိမြင်ခဲ့သည့် အခွန်ဥပဒေပါမောက္ခများနှင့် လက်တွေ့ကျွမ်းကျင်သူများက Blue J ကို ၂၀၁၅ ခုနှစ်တွင် တည်ထောင်ခဲ့သည်။ အခွန်ဥပဒေအမှုများ၏ ရလဒ်ကို ခန့်မှန်းရန် AI အသုံးချမှုကို အစောပိုင်းက စမ်းသပ်လေ့လာခဲ့ပြီးနောက် အဖွဲ့သည် အရွယ်အစားမျိုးစုံရှိ အခွန်နှင့် စာရင်းကိုင်လုပ်ငန်းများကို ပံ့ပိုးမည့် ထုတ်ကုန်အမျိုးမျိုးကို ဆက်လက်တီထွင်ခဲ့သည်။

ChatGPT စတင်မိတ်ဆက်ချိန်တွင် Blue J က အခွင့်အလမ်းသစ်တစ်ခုကို မြင်ခဲ့သည်။ ရှုပ်ထွေးသိပ်သည်းသော စည်းမျဉ်းများအပေါ် အဆင့်မြင့် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်ကို စနစ်တကျ အချက်အလက်ရှာဖွေမှုနှင့် ပေါင်းစပ်ကာ ပညာရှင်အဆင့် အခွန်အဖြေများကို စက္ကန့်ပိုင်းအတွင်း ပေးနိုင်ပြီး စာသားတွင်း ကိုးကားချက်များနှင့် ပညာရှင်များ ယုံကြည်နိုင်သည့် ရင်းမြစ်စာရင်းများပါ ထည့်သွင်းပေးခြင်းဖြစ်သည်။

စတင်မိတ်ဆက်ပြီး နှစ်နှစ်အတွင်း Blue J သည် GPT‑4.1 ပါဝင်သော အခွန်သုတေသနအင်ဂျင်ကို အမေရိကန်၊ ကနေဒါနှင့် ယူကေတို့တွင် ဖြန့်ချိခဲ့သည်။ ChatGPT ပွဲဦးထွက်ပြီး ခြောက်လအကြာတွင် ပထမဆုံးထုတ်ကုန်ကို မိတ်ဆက်ခဲ့ကာ တုံ့ပြန်ချက်များမှ သင်ယူပြီး ခိုင်မာသော အကဲဖြတ်မူဘောင်တစ်ခု တည်ဆောက်ရင်း လျင်မြန်စွာ အဆင့်ဆင့်မွမ်းမံခဲ့သည်။

ယနေ့တွင် အသုံးပြုသူ ၇၀% ကျော်သည် အပတ်စဉ် ဝင်ရောက်အသုံးပြုကြပြီး အဖြေ ၇၀၀ လျှင် ၁ ခုထက်နည်းသာ သဘောမတူကြောင်း ပြသကြသည်။ ယုံကြည်မှု၊ တိကျမှုနှင့် မြန်ဆန်မှုတို့ကို မလျှော့တမ်း ဦးစားပေးခြင်းဖြင့် ရှုပ်ထွေးသော နယ်ပယ်ထဲ ဝင်ရောက်ကာ လျင်မြန်စွာ ချဲ့ထွင်ခဲ့ရာမှ ရရှိသည့် သင်ခန်းစာများကို Blue J က မျှဝေခဲ့သည်။

Blue J ၏ အခွန်သုတေသနဖြေရှင်းချက်ကို Retrieval-Augmented Generation (RAG) စနစ်ဖြင့် တည်ဆောက်ထားသည်။ ၎င်းသည် GPT‑4.1 ကို တရားဝင်မူရင်းရင်းမြစ်များနှင့် Tax Notes ကဲ့သို့သော ရင်းမြစ်များမှ ကျွမ်းကျင်သူသုံးသပ်ချက်များ အပါအဝင် စိစစ်ရွေးချယ်ထားသော စာရွက်စာတမ်းသန်းပေါင်းများစွာပါသည့် မူပိုင်စာကြည့်တိုက်နှင့် ပေါင်းစပ်ထားသည်။

အသုံးပြုသူတစ်ဦးက “OBBBA ကြောင့် ဖြစ်ပေါ်လာသော SALT torpedo ဆိုသည်မှာ အဘယ်နည်း၊ ၎င်း၏ သက်ရောက်မှုကို မည်သို့လျှော့ချနိုင်သနည်း?” ကဲ့သို့ အခွန်မေးခွန်းတစ်ခု မေးလိုက်သည်နှင့် Blue J က ရင်းမြစ်အကြောင်းအရာကို ချက်ချင်းရှာဖွေပေးပြီး GPT‑4.1 က ၎င်းကို ရှင်းလင်း၍ ကိုးကားချက်အပြည့်အစုံပါသော အဖြေအဖြစ် ပေါင်းစပ်ပေးသည်။ ယင်းအဖြေသည် မော်ဒယ်၏ ရလဒ်ထက် ယုံကြည်ရသည့် လုပ်ဖော်ကိုင်ဖက်၏ အကြံဉာဏ်နှင့် ပိုတူသည်။ ဤစနစ်မျိုးကို အခွန်နှင့် နည်းပညာနှစ်မျိုးစလုံး ကျွမ်းကျင်သည့် အဖွဲ့ကသာ တည်ဆောက်နိုင်သည်။

“မော်ဒယ်အများအပြားကို ကျွန်တော်တို့ စမ်းသပ်ခဲ့ပြီး GPT‑4.1 ကသာ လိုအပ်ချက်တွေကို အမြဲတစေ ဖြည့်ဆည်းပေးနိုင်ပါတယ်” ဟု Janssen က ဆိုသည်။ “အဲ့တာက ညွှန်ကြားချက်တွေကို လိုက်နာတယ်၊ အကြောင်းအရာဆက်စပ်မှုကို ထိန်းသိမ်းတယ်၊ ပြီးတော့ မြင်ဖူးသမျှထက် ခြွင်းချက်အခြေအနေတွေကို ပိုကောင်းကောင်း ကိုင်တွယ်နိုင်တယ်။”

အခွန်ကိစ္စတွင် အမှားသေးသေးလေးများပင် စာရင်းစစ်ဆေးမှု ဖြစ်စေနိုင်ခြင်း၊ တင်သွင်းမှု နှောင့်နှေးစေခြင်း သို့မဟုတ် ဖောက်သည်များ အမှန်တကယ် ငွေကြေးဆုံးရှုံးစေခြင်းတို့ ဖြစ်စေနိုင်သည်။ ရှားပါးသော ခြွင်းချက်အခြေအနေများကိုပင် မြန်မြန်မတွေ့ရှိ၊ မပြင်ဆင်နိုင်ပါက ယုံကြည်မှု ကျဆင်းနိုင်ကြောင်း Blue J အဖွဲ့က အတွေ့အကြုံအရ သိထားသည်။ ထို့ကြောင့် ပထမနေ့ကတည်းက ၎င်းတို့၏ အခွန်သုတေသနအဖွဲ့၏ ကျွမ်းကျင်မှုကို အခြေခံ၍ တုံ့ပြန်ချက်များ ရယူနိုင်ပြီး အတိုင်းအတာကြီးမားစွာ တိုးတက်လာနိုင်ရန် ထုတ်ကုန်ကို ဒီဇိုင်းဆွဲခဲ့သည်။

အသုံးပြုတိုင်း စနစ်ပိုမိုကောင်းမွန်လာစေရန် ထုတ်ကုန်တိုးတက်ရေးတွင် ပါဝင်ကူညီလိုသော ဖောက်သည်များအတွက် စိတ်ကြိုက်ဒေတာမျှဝေမှုကို Blue J က မိတ်ဆက်ခဲ့သည်။ Blue J အဖြေတိုင်းတွင် “သဘောမတူ” ခလုတ်ပါရှိပြီး အမှတ်အသားပြုလိုက်သောအခါ အဖြေကို ပြဿနာအမျိုးအစား၊ အခွန်ခေါင်းစဉ်နှင့် ဖြစ်နိုင်ခြေရှိသည့် မူလအကြောင်းရင်းအလိုက် စနစ်တကျ ခွဲခြားသည်။

ဤတုံ့ပြန်သံသရာက တစ်ကြိမ်တည်းဖြစ်သော အမှားများကို ဖမ်းယူပြီး ထပ်တလဲလဲဖြစ်ပေါ်သည့် ပုံစံများကို ဖော်ထုတ်ပေးသည်။ အစုစပ်လုပ်ငန်းခွန်ဆိုင်ရာ မေးခွန်းများ၏ ရလဒ် မကောင်းပါက အဖွဲ့က စုံစမ်းစစ်ဆေးသည်။ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုက မကိုက်ညီသော အဖြေများ ထုတ်ပေးပါက ၎င်းတို့က ချိန်ညှိသည်။ GPT‑4.1 က ဤကနဦးခွဲခြားစိစစ်မှုအဆင့်ကို မောင်းနှင်ပေးသည်။ တုံ့ပြန်ချက်ထောင်ပေါင်းများစွာကို ဆန်းစစ်ခြင်း၊ ဆက်စပ်ပြဿနာများကို အုပ်စုဖွဲ့ခြင်းတို့ ပြုလုပ်ကာ Blue J ၏ ထုတ်ကုန်နှင့် အခွန်သုတေသနအဖွဲ့များကို အကျိုးသက်ရောက်မှုအများဆုံး ရှိမည့်နေရာတွင် အားစိုက်နိုင်အောင် ကူညီပေးသည်။

GPT‑4.1 က တည်ငြိမ်စွာ တုံ့ပြန်သောကြောင့် တိုးတက်မှုအသေးစားများပင် အဆင့်ဆင့်ပေါင်းစည်းကာ ကြီးမားလာသည်။ ရလဒ်အနေဖြင့် အသုံးပြုသူနှင့် အပြန်အလှန်ဆက်သွယ်မှုတိုင်းမှ သင်ယူပြီး ပိုမိုမြန်ဆန်စွာ မွမ်းမံနိုင်ခြင်း၊ အရည်အသွေးမြင့်အဖြေများ ပေးနိုင်ခြင်းနှင့် အသုံးပြုသူလိုအပ်ချက်များနှင့် တစ်ပြိုင်နက် တိုးတက်ပြောင်းလဲနိုင်သည့် ထုတ်ကုန်တစ်ခု ဖြစ်လာသည်။ ဤအရှိန်မြှင့်စက်ဝန်းကြောင့် Blue J သည် အဖြေ ၇၀၀ လျှင် ၁ ခုထက်နည်းသာ သဘောမတူသည့်အဆင့်အထိ လျှော့ချနိုင်ခဲ့သည်။

အဆင့်ဆင့် ထုတ်ကုန်ဖွံ့ဖြိုးတိုးတက်မှုကလည်း Blue J ကို ပြောင်းလဲမှုများထက် ရှေ့က ဆက်လက်ရှိနေစေသည်။ ၂၀၂၅ ခုနှစ်တွင် ကျယ်ပြန့်သော အမေရိကန်အခွန်ဥပဒေကြမ်းတစ်ရပ် အတည်ပြုချိန်၌ အဖွဲ့သည် ၎င်းက ကုဒ်စနစ်တစ်လျှောက် သက်ရောက်မည့်ပုံကို ခြောက်ပတ်ကြာ ကြိုတင်ချိတ်ဆက်ဖော်ထုတ်ထားပြီးဖြစ်သည်။ ဥပဒေကြမ်းကို လက်မှတ်ရေးထိုးပြီး နာရီပိုင်းအတွင်း အသုံးပြုသူများသည် လက်တွေ့အသုံးပြုနေသော စနစ်တွင် မွမ်းမံထားသည့် အဖြေများကို မြင်တွေ့ရသည်။

စည်းမျဉ်းများ ပြောင်းလဲနေပြီး တိကျမှုက အဓိကကျသည့် ဤနယ်ပယ်တွင် အဆိုပါ အပိတ်တုံ့ပြန်သံသရာစနစ်က Blue J ကို မြန်ဆန်၊ ယုံကြည်စိတ်ချရပြီး ဈေးကွက်ထက် ရှေ့ရောက်နေစေသည်။

မော်ဒယ်အရည်အသွေးသည် လုပ်ဆောင်ချက်တစ်ခုမျှသာ မဟုတ်ဘဲ အသုံးပြုခွင့်ကို ဆုံးဖြတ်သည့် အဓိကစံနှုန်းဖြစ်သည်။ Blue J သည် မော်ဒယ်အသစ်ထွက်တိုင်း အမေရိကန်၊ ကနေဒါနှင့် ယူကေ၏ အခွန်ဥပဒေဆိုင်ရာ တုံ့ပြန်ညွှန်ကြားချက် ၃၅၀ ကျော်ပါသော စံတိုင်းတာမှုအစုံဖြင့် အကဲဖြတ်သည်။ မော်ဒယ်တိုင်းကို ညွှန်ကြားချက်လိုက်နာမှု၊ ရင်းမြစ်နှင့် ကိုက်ညီမှု၊ အဖြေရှင်းလင်းမှုတို့အတွက် စမ်းသပ်သည်။ ထိုသို့ဖြင့် တုံ့ပြန်ညွှန်ကြားချက်များ သို့မဟုတ် အချက်အလက်ရှာဖွေမှုဆိုင်ရာ ယုတ္တိစနစ်၏ တိုးတက်မှုများကို ခန့်မှန်းနိုင်ပြီး လက်တွေ့ကမ္ဘာနှင့် ကိုက်ညီသော လုပ်ဆောင်ပုံဖြင့် အားဖြည့်ထားကြောင်း သေချာစေသည်။

“မော်ဒယ်အားလုံးကို စမ်းသပ်ခဲ့ပေမဲ့ OpenAI မော်ဒယ်မဟုတ်တာကို တစ်ခါမှ မဖြန့်ချိခဲ့ပါဘူး” ဟု Janssen က ဆိုသည်။ “OpenAI မော်ဒယ်တွေက ကျွန်ုပ်တို့ရဲ့ အတွင်းပိုင်းစံတိုင်းတာချက်တွေမှာ အမြဲတစေ ပိုကောင်းခဲ့ပါတယ်။ အထူးသဖြင့် ညွှန်ကြားချက်လိုက်နာမှုနဲ့ လက်တွေ့အသုံးပြုဖို့ သတ်မှတ်ထားတဲ့ စံနှုန်းကို ပြည့်မီတဲ့ အဖြေတွေပေးရာမှာပါ။”

ဖောက်သည်များသည် အခွန်ရာသီအတွင်းသာမက တစ်နှစ်ပတ်လုံး Blue J ကို မူလအခွန်သုတေသနကိရိယာအဖြစ် အားထားကြသည်။ အသုံးပြုသူ ၇၀% ကျော်သည် အပတ်စဉ် ဝင်ရောက်အသုံးပြုကြပြီး သုံးစွဲသူတစ်ဦးလျှင် သုတေသနနှင့် ဖောက်သည်ဆက်သွယ်ရေးအတွက် တစ်ပတ် ၂.၇ နာရီ ချွေတာနိုင်သည်။ ထိုအချိန်ကို အကျိုးအမြတ်ပိုများသည့် အစီအစဉ်ရေးဆွဲခြင်းနှင့် အကြံပေးလုပ်ငန်းများတွင် ပြန်လည်အသုံးချကြသည်။

Blue J သည် ၎င်းတို့သာ အကောင်းဆုံးသိရှိသည့် အခွန်ပညာရှင်များ၏ လက်တွေ့လိုအပ်ချက်များကို အာရုံစိုက်ခြင်းဖြင့် ထိုမျှမြင့်မားသော အသုံးပြုမှုအဆင့်ကို ရရှိခဲ့သည်။ GPT‑4.1 သည် တည်ဆောက်ထားသော ရလဒ်များ၊ တစ်သမတ်တည်း ညွှန်ကြားချက်လိုက်နာမှုနှင့် ယုံကြည်စိတ်ချရသော ရလဒ်များဖြင့် ၎င်းတို့၏ ကျွမ်းကျင်မှုကို ပိုမိုအားကောင်းစေသည်။ တည်ထောင်သူများအတွက် သင်ခန်းစာမှာ ရှင်းပါသည်။ သင့်အထူးကျွမ်းကျင်မှုကို အဓိကအားသာချက်အဖြစ် အသုံးချပြီး သင့်တော်သော မော်ဒယ်များဖြင့် လုပ်ငန်းကို ချဲ့ထွင်ပါ။