Fyxer ဖန်တီးသည့် ယုံကြည်ရသော AI အမှုဆောင်လက်ထောက်

ကျွမ်းကျင်ပညာရှင်အများအပြားအတွက် အလုပ်ဆိုသည်မှာ inbox များ၊ အစည်းအဝေးများ၊ မက်ဆေ့ချ်များနှင့် အက်ပ်များတစ်လျှောက်ရှိ စကားဝိုင်းများနှင့် ကတိကဝတ်များကို မလွတ်တမ်း စောင့်ကြည့်နေရခြင်းဖြစ်သည်။ ခိုင်မာတိကျသော နောက်ခံအချက်အလက်မရှိလျှင် ထိုကတိကဝတ်များ လွတ်ကျသွားနိုင်ပြီး ပရောဂျက်များနှင့် ဆက်ဆံရေးများကို ထိခိုက်စေနိုင်သည်။

Fyxer သည် အလုပ်များက ကိရိယာတစ်ခုမှတစ်ခုသို့ ကူးပြောင်းသွားသည့်တိုင် အဆက်အစပ်ကို မပြတ်လိုက်နိုင်သော AI အမှုဆောင်လက်ထောက်ကို ဖန်တီးခဲ့သည်။ ၎င်းသည် နောက်ဆုံးပေါ် OpenAI မော်ဒယ်များကို အမှုဆောင်လက်ထောက်လုပ်ငန်းစဉ် နာရီပေါင်း 500,000 ကျော်နှင့် ပေါင်းစပ်ထားပြီး တကယ့်အသုံးပြုသူတုံ့ပြန်ချက်ဖြင့် တိုးတက်လာသည့် အထူးပြု မော်ဒယ်ဒါဇင်ပေါင်းများစွာအကြား အလုပ်များကို ခွဲဝေပေးသည်။

၎င်း၏လက်တွေ့လုပ်ဆောင်ပုံကို အထင်ရှားဆုံးတွေ့နိုင်သည့် နေရာတစ်ခုမှာ အီးမေးလ်ဖြစ်သည်။ လူနှစ်ဦးက တူညီသောအီးမေးလ်ကို လက်ခံရရှိလျှင်ပင် အချင်းချင်းဆက်ဆံရေး၊ ယခင်ဖြစ်ပျက်ခဲ့သည့်အရာများနှင့် တစ်ဦးစီ၏ ရည်ရွယ်ချက်ပေါ်မူတည်၍ လုံးဝမတူညီသော စာပြန်များ လိုအပ်နိုင်သည်။ ထို့ကြောင့် ရိုးရှင်းပုံရသည့် ဤအလုပ်သည် AI အတွက် ထင်ထားသည်ထက် များစွာခက်ခဲသည်။

“Moravec ၏ ဝိရောဓိလို့ခေါ်တဲ့ အယူအဆတစ်ခုရှိပါတယ်” ဟု Fyxer ပူးတွဲတည်ထောင်သူ Archie Hollingsworth က ရှင်းပြသည်။ “လူတွေအတွက် လွယ်တဲ့အရာတွေက ကွန်ပျူတာတွေအတွက် ခက်ပြီး ကွန်ပျူတာတွေအတွက် လွယ်တဲ့အရာတွေက လူတွေအတွက် ခက်ပါတယ်။” Fyxer သည် အသုံးပြုသူတစ်ဦးစီ၏ အလုပ်လုပ်ပုံကို လေ့လာခြင်းဖြင့် ဤရှုပ်ထွေးမှုကို ကိုင်တွယ်သည်။ ထို့ကြောင့် မည်သည့်အရာက အရေးကြီးကြောင်း သိပြီးသားလက်ထောက်တစ်ဦးကဲ့သို့ တုံ့ပြန်နိုင်သည်။

စွမ်းဆောင်ရည်အမြင့်ဆုံး OpenAI မော်ဒယ်များသည် အီးမေးလ်ကို နားလည်ခြင်း၊ သင့်လျော်သော နောက်ခံအချက်အလက်ကို ရှာဖွေခြင်းနှင့် မူကြမ်းထုတ်ပေးခြင်းအထိ အတွေ့အကြုံ၏ အဓိကအစိတ်အပိုင်းများကို ပံ့ပိုးပေးသည်။ Fyxer ၏ အတွင်းပိုင်းစံနှုန်းများတွင် OpenAI မော်ဒယ်များက အကောင်းဆုံးစွမ်းဆောင်နိုင်ခြင်း၊ လေသံနှင့် ရည်ရွယ်ချက်ကဲ့သို့ ကိုယ်ပိုင်အမြင်ပါသည့် အလုပ်များအတွက် အားကောင်းသော fine-tuning စွမ်းရည်ရှိခြင်းနှင့် whiteboard ဆွေးနွေးပွဲများ၊ နည်းပညာပူးပေါင်းဆောင်ရွက်မှုများမှတစ်ဆင့် အင်ဂျင်နီယာအကူအညီကို တိုက်ရိုက်ပေးခြင်းတို့ကြောင့် OpenAI ကို ရွေးချယ်ခဲ့သည်။

Fyxer ၏နည်းလမ်းမှ နောက်ခံအချက်အလက်ကို အထူးနားလည်သည့် AI ထုတ်ကုန်များ ဖန်တီးနေသော တည်ထောင်သူများအတွက် သင်ခန်းစာသုံးခု ရရှိနိုင်သည်။

Fyxer သည် အီးမေးလ်လုပ်ငန်းစဉ်၏ အပိုင်းငယ်တစ်ခုစီကို တာဝန်ယူသော အထူးပြု မော်ဒယ် 30 မှ 50 အပေါ် အခြေခံ၍ စနစ်ကို တည်ဆောက်ထားသည်။ အီးမေးလ်ကို စာသားထုတ်ပေးသည့် အလုပ်တစ်ခုတည်းအဖြစ် မသတ်မှတ်ဘဲ Fyxer သည် မက်ဆေ့ချ်တစ်ခုကို စာပြန်ရန်လိုမလို ဆုံးဖြတ်ခြင်း၊ သို့မဟုတ် အသုံးပြုသူ၏လေသံနှင့် နောက်ခံအခြေအနေတို့နှင့် ကိုက်ညီသော စာပြန်မူကြမ်းများ ရေးခြင်းကဲ့သို့ ခန့်မှန်းချက်များပါဝင်သည့် စနစ်တစ်ခုအဖြစ် ခွဲခြမ်းထားသည်။

“မော်ဒယ်တစ်ခုတည်းကို အီးမေးလ်ကောင်းကောင်းရေးခိုင်းတာထက် ပြဿနာကို ပိုသေးငယ်တဲ့ မော်ဒယ်အများကြီးအဖြစ် ခွဲလိုက်တာက ပိုကောင်းပါတယ်” ဟု Hollingsworth က ရှင်းပြသည်။

အီးမေးလ်အသစ်တစ်စောင် ရောက်လာသောအခါ စာပြန်ရန် ဆုံးဖြတ်သည့် မော်ဒယ်က မက်ဆေ့ချ်ကို အမျိုးအစားခွဲသည်။ ၎င်းသည် စာပြန်ရန်လိုသလား၊ အချိန်ဇယားစီစဉ်ရန်လိုသလား၊ သို့မဟုတ် အသုံးပြုသူသိထားသင့်သည့် သတင်းအချက်အလက်မျှသာလားဟု ဆုံးဖြတ်သည်။

စာပြန်ရန်လိုပါက နောက်ထပ် မော်ဒယ်များက အီးမေးလ်၏ ရည်ရွယ်ချက်ကို ဆန်းစစ်ပြီး အပြန်အလှန်ဆက်သွယ်မှုမှ ဖြစ်လာနိုင်သည့်ရလဒ်ကို ခန့်မှန်းသည်။ ဤ မော်ဒယ်များသည် စကားဝိုင်းက အစည်းအဝေးစီစဉ်ရန် ဦးတည်နေသလား၊ တောင်းဆိုချက်တစ်ခုကို ဖြေရှင်းရန်လား၊ သို့မဟုတ် ရေရှည်ဆက်ဆံရေး၏ အဆက်အစပ်ကို ဆက်လက်ထိန်းသိမ်းရန်လားဟူသည့် ပုံစံများကို ဆုံးဖြတ်ပေးသည်။

မမ်မိုရီသည် စနစ်၏ အရေးအကြီးဆုံးအစိတ်အပိုင်းများထဲမှ တစ်ခုဖြစ်သည်။ မည်သည့်အသေးစိတ်အချက်များကို စကားဝိုင်းများတစ်လျှောက် ဆက်လက်မှတ်သားထားရမည်နှင့် မည်သည့်အချက်များကို တစ်ကြိမ်ဆက်သွယ်ပြီးနောက် ဖယ်ရှားရမည်ဆိုသည်ကို Fyxer က ဆုံးဖြတ်ရသည်။ အီးမေးလ်အသစ်တစ်စောင် ရောက်လာသောအခါ ပြန်လည်ရှာဖွေရေး မော်ဒယ်များက ၎င်းကို သိမ်းဆည်းထားသော အပြန်အလှန်ဆက်သွယ်မှုများနှင့် နှိုင်းယှဉ်ပြီး ထိုသူနှင့် စကားဝိုင်းအဆက်အစပ်အတွက် အသင့်လျော်ဆုံး မှတ်ဉာဏ်များကို ဖော်ထုတ်ပေးသည်။

OpenAI မော်ဒယ်များသည် Fyxer စနစ်တစ်လျှောက်ရှိ လုပ်ငန်းအဆင့်များကို စွမ်းအားဖြည့်ပေးသည်။ “အီးမေးလ်က တကယ်ဘာအကြောင်းလဲဆိုတာ နားလည်နိုင်အောင် ဆန်းစစ်တာကနေ ထည့်သွင်းလိုတဲ့ နောက်ခံအချက်အလက်ကို ရှာယူပြီး အဆင့်ပြန်စီတာ၊ နောက်ဆုံး အီးမေးလ်ကို တကယ်ထုတ်ပေးတာအထိ အားလုံးအတွက် OpenAI မော်ဒယ်တွေကို သုံးပါတယ်” ဟု Shantsila က ဆိုသည်။

၎င်း၏ AI ထုတ်ကုန်ကို မိတ်မဆက်မီ Fyxer သည် လူသားများက ဝန်ဆောင်မှုပေးသော အမှုဆောင်လက်ထောက်လုပ်ငန်းကို နှစ်ပေါင်းများစွာ လည်ပတ်ခဲ့သည်။ အချိန်ကြာလာသည်နှင့်အမျှ အဖွဲ့သည် တကယ့်လက်ထောက်များက လုပ်ငန်းခွင်ဆက်သွယ်ရေးကို မည်သို့စီမံကြောင်း မှတ်တမ်းတင်ထားသည့် အညွှန်းတပ်ပြီးသား အမှုဆောင်လုပ်ငန်းစဉ် နာရီပေါင်း 500,000 ကျော်မှ ဒေတာအစုတစ်ခုကို စုဆောင်းနိုင်ခဲ့သည်။

ထိုနမူနာများကြောင့် Fyxer သည် လက်တွေ့အလုပ်မှ တိုက်ရိုက်ရရှိသော လေ့ကျင့်ရေးဒေတာကို ပိုင်ဆိုင်လာသည်။ ၎င်းတို့သည် ကောင်းမွန်သောတုံ့ပြန်မှုတစ်ခု၏ နောက်ကွယ်ရှိ ဆုံးဖြတ်ချက်အသေးစားများကို ဖမ်းယူထားသည်။ မည်သည့်အချိန်တွင် ချက်ချင်းပြန်ဖြေရမည်၊ မည်သည့်အချိန်တွင် စောင့်ရမည်၊ ယခင်စကားဝိုင်းများထဲမှ မည်သည့်အရာက အရေးကြီးသည်နှင့် တူညီသောတောင်းဆိုချက်ကိုပင် လူတစ်ဦးနှင့်တစ်ဦး မတူညီစွာ တုံ့ပြန်ရပုံတို့ ပါဝင်သည်။

Fyxer သည် လုပ်ငန်းအလိုက် မော်ဒယ်ပုံစံကွဲများ ဖန်တီးပြီး လေ့ကျင့်ရေးကုန်ကျစရိတ်ကို ထိန်းချုပ်ရန် ၎င်း၏စနစ်တစ်ခုလုံးတွင် ကြီးကြပ်မှုဖြင့် မွမ်းမံပြင်ဆင်မှုနှင့် Low-Rank Adaptation (LoRA) ကို အသုံးပြုသည်။ ထုတ်ကုန်ဖွံ့ဖြိုးမှုအစောပိုင်းတွင် အဖွဲ့သည် တိကျမှုမြင့်မားရန်လိုသော လုပ်ငန်းများအတွက် OpenAI ၏ fine-tuning ပလက်ဖောင်းကို အသုံးပြုခဲ့သည်။ မကြာသေးမီက Fyxer သည် checkpoint အသစ်တစ်ခုကို ထုတ်လုပ်ရေးစနစ်တွင် အသုံးပြုနိုင်ရန် OpenAI ၏ စီမံပေးသော fine-tuning အဖွဲ့နှင့် ပူးပေါင်းခဲ့သည်။

မည်သည့် မော်ဒယ်ကိုမဆို စတင်အသုံးမပြုမီ Fyxer သည် မူကြမ်းရေးခြင်း၊ အမျိုးအစားခွဲခြားခြင်းနှင့် ဦးစားပေးသတ်မှတ်ခြင်းတို့အပါအဝင် ၎င်း၏ကိုယ်ပိုင် အီးမေးလ်လုပ်ငန်းများကို အခြေခံတည်ဆောက်ထားသော အတည်ပြုအစုများဖြင့် အကဲဖြတ်သည်။ အလုပ်အမျိုးအစားအလိုက် အကောင်းဆုံးရွေးချယ်မှု ကွဲပြားနိုင်သောကြောင့် အဖွဲ့သည် တိကျမှုနှင့်အတူ တုံ့ပြန်ချိန်နှင့် ကုန်ကျစရိတ်ကိုပါ ချိန်ဆသည်။

စတင်အသုံးပြုပြီးနောက် Fyxer ၏စနစ်သည် တကယ့်အသုံးပြုသူများ၏ တုံ့ပြန်ချက်များမှတစ်ဆင့် ဆက်လက်တိုးတက်နေသည်။ တစ်စုံတစ်ဦးက မူကြမ်းကို မပို့မီ ပြင်ဆင်သောအခါ မူလအီးမေးလ်နှင့် နောက်ဆုံးအီးမေးလ်ကြား ကွာခြားချက်က မည်သည့်ရလဒ်ကို နှစ်သက်ကြောင်း ဖော်ပြပေးသည်။

Fyxer သည် ထိုနှိုင်းယှဉ်ချက်များကို Direct Preference Optimization (DPO) သုံး၍ လေ့ကျင့်ရေးဒေတာအဖြစ် ပြောင်းလဲသည်။ နမူနာတိုင်းကို ကိုယ်တိုင်အညွှန်းတပ်မည့်အစား မော်ဒယ်သည် မူလမူကြမ်းနှင့် အသုံးပြုသူပြင်ဆင်ထားသည့်ဗားရှင်းဟူသော ရလဒ်နှစ်ခုတွဲမှ သင်ယူသည်။

ထို့နောက် မူကြမ်းရေးသားမှုဆိုင်ရာ ပြောင်းလဲချက်တိုင်းကို A/B စမ်းသပ်မှု ပြုလုပ်သည်။ စာရင်းအင်းအရ သိသာထင်ရှားသော တိုးတက်မှုရရှိမှသာ Fyxer သည် ဗားရှင်းအသစ်ကို ထုတ်ပေးသည်။ အသုံးပြုသူအရေအတွက် များပြားသည့်အတွက် အဖွဲ့သည် တစ်ခါတစ်ရံ တစ်ရက်အတွင်းပင် ထိုသတ်မှတ်ချက်သို့ ရောက်နိုင်သည်။

ယနေ့တွင် Fyxer ၏ AI ထုတ် မူကြမ်းများအနက် 53% ကို ရေးသားထားသည့်အတိုင်း လက်ခံကြသည်။ ဆိုလိုသည်မှာ စနစ်သည် တကယ့်စကားဝိုင်းအများအပြားအတွက် ရည်ရွယ်ချက်နှင့် လေသံကို မှန်ကန်စွာ ခန့်မှန်းပေးနေခြင်းဖြစ်သည်။ 2025 ခုနှစ်တစ်နှစ်တည်းတွင် Fyxer ၏ နှစ်စဉ်ထပ်တလဲလဲဝင်ငွေသည် ဒေါ်လာ 1 သန်းမှ 32 သန်းအထိ တိုးတက်ခဲ့သည်။

Hollingsworth အတွက်မူ ပိုမိုခိုင်မာသော အောင်မြင်မှုလက္ခဏာမှာ အသုံးပြုသူများ ဆက်လက်ရှိနေခြင်းဖြစ်သည်။ Fyxer ဖောက်သည်အများစုသည် နည်းပညာကို နက်နက်ရှိုင်းရှိုင်း မကျွမ်းကျင်ကြသလို အချို့အတွက် Fyxer သည် နေ့စဉ်အသုံးပြုသည့် ပထမဆုံး AI စနစ်ဖြစ်သည်။

အနာဂတ်အတွက် Fyxer သည် ဆက်ဆံရေးများ၊ နှစ်သက်မှုများနှင့် လက်ရှိဆောင်ရွက်နေသည့် အလုပ်အဆက်အစပ်များကို ပိုမိုနက်ရှိုင်းစွာ နားလည်နိုင်အောင် တည်ဆောက်နေသည်။ ၎င်းတို့၏လက်ထောက်သည် စာပြန်မူကြမ်းရေးပေးခြင်းကို ကျော်လွန်ကာ အသုံးပြုသူ၏ ဆက်သွယ်ရေးနှင့် ညှိနှိုင်းရေးအလုပ်များကို ပိုမိုစီမံပေးနိုင်သည့် ကျယ်ပြန့်သော AI လက်ထောက်အဖြစ် ဆက်လက်တိုးတက်နေသည်။

“ကျွန်ုပ်တို့ရဲ့ ရည်မှန်းချက်က ဖောက်သည်တွေကို သူတို့တကယ်နှစ်သက်တဲ့အလုပ်တွေ တတ်နိုင်သမျှ ပိုလုပ်နိုင်စေဖို့ပါ” ဟု Hollingsworth က ဆိုသည်။ “သူတို့ ကွန်ပျူတာကို လုံးဝဖွင့်စရာမလိုဘဲ အဲဒီအလုပ်အားလုံးကို Fyxer က စီမံပေးမယ်လို့ ယုံကြည်နိုင်တဲ့အဆင့်အထိ ရောက်စေချင်ပါတယ်။”