ရေရှည်တည်တံ့သော AI အားသာချက် ဖန်တီးရန် Intercom ၏ သင်ခန်းစာသုံးခု

2022 ခုနှစ်တွင် ChatGPT စတင်မိတ်ဆက်သည့်အခါ Intercom⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် သတင်းခေါင်းစီးများကိုသာ စောင့်ကြည့်မနေခဲ့ဘဲ ချက်ချင်း လှုပ်ရှားခဲ့သည်။ GPT‑3.5 ထွက်ရှိပြီး နာရီပိုင်းအတွင်းပင် ဤ ဖောက်သည်ဝန်ဆောင်မှု ဆော့ဖ်ဝဲကုမ္ပဏီသည် စမ်းသပ်မှုများ စတင်လုပ်ဆောင်ခဲ့ပြီး လေးလအကြာတွင် ယခု လစဉ် ဖောက်သည်မေးခွန်း သန်းပေါင်းများစွာကို ဖြေရှင်းပေးနေသော ၎င်းတို့၏ AI အေးဂျင့် Fin ကို စတင်မိတ်ဆက်ခဲ့သည်。

အစောပိုင်း အရှိန်အဟုန်သည် မတော်တဆမဟုတ်ခဲ့ပါ။ LLM များ အလျင်အမြန် တိုးတက်လာသည့်အခါ Intercom သည် AI က ဖောက်သည်အတွေ့အကြုံကို ပြောင်းလဲမည်ဟု သိမြင်ခဲ့သည်။ ခေါင်းဆောင်ပိုင်းကလည်း အမြန်ဆုံး လုပ်ဆောင်ခဲ့ပြီး လုပ်ငန်းဌာနစုံ ပူးပေါင်းအဖွဲ့တစ်ခု ဖွဲ့စည်းကာ AI မဟုတ်သော စီမံကိန်းများကို ရပ်ဆိုင်းပြီး AI ကို အခြေခံ၍ လုပ်ငန်းတစ်ခုလုံးကို ပြန်လည်တည်ဆောက်ရန် ဒေါ်လာ သန်း 100 ရင်းနှီးမြှုပ်နှံရန် ဆုံးဖြတ်ခဲ့သည်။

ထိုဆုံးဖြတ်ချက်ကြောင့် ကုမ္ပဏီတစ်လျှောက် ပြောင်းလဲမှုများ ဖြစ်ပေါ်လာခဲ့သည်။ ထုတ်ကုန်အဖွဲ့များကို ပြန်လည်ဖွဲ့စည်းခြင်း၊ AI-first helpdesk မဟာဗျူဟာအသစ် တစ်ခု သတ်မှတ်ခြင်းနှင့် Fin က များပြားသော ပမာဏနှင့် ရှုပ်ထွေးသော ဖောက်သည်မေးခွန်းများကို ကိုင်တွယ်နိုင်ရန် ပလက်ဖောင်းတစ်ခု တည်ဆောက်ခြင်းတို့ ဖြစ်သည်။

အောက်တွင် ဖော်ပြထားသည်မှာ Intercom ၏ ခရီးစဉ်မှ သင်ခန်းစာသုံးခုဖြစ်ပြီး သင် စတင်နေသည့်နေရာ မည်သို့ပင်ဖြစ်စေ မည်သည့်အဖွဲ့မဆို ယခုပင် အသုံးချနိုင်ပါသည်။

Intercom သည် မော်ဒယ်များကို စောစီးစွာ၊ မကြာခဏ စမ်းသပ်ပြီး ၎င်းတို့၏ လုပ်ဆောင်မှုများမှ နက်နက်ရှိုင်းရှိုင်း သင်ယူသည်။

အဖွဲ့သည် ထုတ်လုပ်ပေးနိုင်သော မော်ဒယ်များကို အစောပိုင်းကတည်းက စမ်းသပ်လာခဲ့ပြီး လက်တွေ့ အသုံးပြုမှုအတွေ့အကြုံက ၎င်းတို့အား မော်ဒယ်များ၏ ကန့်သတ်ချက်များကို မြေပုံဆွဲသကဲ့သို့ သဘောပေါက်စေပြီး အခွင့်အလမ်းများကိုလည်း ဖော်ထုတ်နိုင်စေခဲ့သည်။ 2023 အစောပိုင်းတွင် GPT‑4 အသုံးပြုနိုင်လာသောအခါ ၎င်းတို့ အဆင်သင့်ဖြစ်နေပြီးသားဖြစ်သည်။ လေးလအတွင်း Fin ကို မိတ်ဆက်ခဲ့ပြီး ထိုအချိန်မှစ၍ အရှိန်မလျော့ခဲ့ပါ။

Jordan Neill, SVP of Engineering က “ကျွန်ုပ်တို့သည် GPT‑3.5 ကို အသုံးချ၍ အံ့ဩဖွယ် အရိပ်အယောင်များပါသော သဘာဝကျသော စကားဝိုင်းများ ပြုလုပ်နိုင်ခဲ့ပေမယ့် ကျွန်ုပ်တို့၏ ဖောက်သည်များအတွက် ယုံကြည်စိတ်ချစွာ အပ်နှံနိုင်လောက်အောင်တော့ မတည်ငြိမ်သေးပါ” ဟု ဆိုသည်။ “ကျွန်ုပ်တို့ ကြိုတင် လုပ်ဆောင်ထားပြီးဖြစ်သဖြင့် GPT‑4 ရောက်လာသောအခါ ၎င်း အဆင်သင့်ဖြစ်နေပြီဟု သိပြီး Fin ကို ထုတ်ခဲ့ပါသည်” ဟုလည်း ဆိုသည်။

ထိုသို့သော ကျွမ်းကျင်နားလည်မှုကပင် Intercom အား ပြန်အမ်းငွေများနှင့် နည်းပညာဆိုင်ရာ ပံ့ပိုးမှုကဲ့သို့ ရှုပ်ထွေးသော workflow များကို အလိုအလျောက်လုပ်ဆောင်ပေးသည့် စနစ်တစ်ခုဖြစ်သော Fin Tasks ကို ဒီဇိုင်းဆွဲရာတွင် ကူညီပေးခဲ့သည်။ အဖွဲ့သည် အစပိုင်းတွင် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မော်ဒယ် အခြေပြု stack ကို စီစဉ်ထားခဲ့သော်လည်း ၎င်းတို့၏ အကဲဖြတ်ချက်များက GPT‑4.1 သည် မြင့်မားသော ယုံကြည်စိတ်ချရမှုနှင့် latency နည်းပါးမှုတို့ဖြင့် အဆိုပါအလုပ်ကို တစ်ယောက်တည်း ဆောင်ရွက်နိုင်ကြောင်း ပြသခဲ့သည်။

ယနေ့တွင် GPT‑4.1 သည် Fin Tasks အတွင်း အဓိက logic များအပါအဝင် Intercom ၏ AI အသုံးပြုမှုထဲမှ ပိုမိုများပြားလာသော အပိုင်းကို လည်ပတ်ပေးနေသည်။ အဖွဲ့သည် reasoning မဟုတ်သော query များတွင် အတွေးကွင်းဆက် တုံ့ပြန်ညွှန်ကြားချက် ထည့်သွင်းခြင်းက စွမ်းဆောင်ရည် ကွာဟချက်များကို လျှော့ချပေးကြောင်းလည်း တွေ့ရှိခဲ့သည်။

Intercom ၏ အနှစ်ချုပ်မှာ - သင့်မော်ဒယ်များကို ပိုမိုကောင်းမွန်စွာ သိနားလည်လေ အနုပညာအဆင့်မြင့်ဆုံး နည်းပညာများ တိုးတက်ပြောင်းလဲလာသည့်အခါ သင် ပိုမိုမြန်ဆန်စွာ လိုက်လျောညီထွေ ပြောင်းလဲနိုင်လေ ဖြစ်သည်။

အမြန်ရွေ့လျားချင်လျှင် ဘာက အလုပ်ဖြစ်သလဲ၊ ဘာကြောင့်ဖြစ်သလဲဆိုတာကို တိုင်းတာရပါမည်။

Intercom က မော်ဒယ်အသစ်များ၊ modality များနှင့် ဗိသုကာပုံစံအသစ်များကို လျင်မြန်စွာ လက်ခံအသုံးပြုနိုင်ခြင်း၏ အခြေခံမှာ ၎င်းတို့၏ တင်းကျပ်သေချာသော အကဲဖြတ်မှု လုပ်ငန်းစဉ် ဖြစ်သည်။ Realtime API ဖြင့် လည်ပတ်သော Fin Voice အတွက် အသုံးပြုသည်ဖြစ်စေ၊ GPT‑4.1 ဖြင့် လည်ပတ်သော Fin Tasks အတွက် အသုံးပြုသည်ဖြစ်စေ OpenAI မော်ဒယ်အသစ်တိုင်းကို deployment မလုပ်မီ instruction following၊ tool call တိကျမှုနှင့် အလုံးစုံ ညီညွတ်မှုတို့ကို အကဲဖြတ်ရန် ဖွဲ့စည်းထားသော offline စမ်းသပ်မှုများနှင့် live A/B စမ်းသပ်မှုများမှတစ်ဆင့် စစ်ဆေးသည်။

ဥပမာအားဖြင့် အဖွဲ့သည် မော်ဒယ်များကို တကယ့် support interaction transcript များနှင့် နှိုင်းယှဉ်သတ်မှတ်ကာ ပြန်အမ်းငွေကဲ့သို့ အဆင့်ပေါင်းများစွာပါဝင်သော ညွှန်ကြားချက်များကို မည်မျှကောင်းစွာ ကိုင်တွယ်နိုင်သလဲ၊ Fin ၏ brand voice ကို ထိန်းသိမ်းနိုင်သလဲ၊ function call များကို ယုံကြည်စိတ်ချစွာ ဆောင်ရွက်နိုင်သလဲတို့ကို အကဲဖြတ်သည်။ ထိုရလဒ်များက GPT‑4 နှင့် GPT‑4.1 ကဲ့သို့ မော်ဒယ်များအကြား resolution rate နှင့် customer satisfaction ကို နှိုင်းယှဉ်သော live A/B စမ်းသပ်မှုများအတွက် အခြေခံဖြစ်လာသည်။

ဤနည်းလမ်းသည် Intercom အား GPT‑4 မှ GPT‑4.1 သို့ ရက်အနည်းငယ်အတွင်း ရွှေ့ပြောင်းနိုင်ရန် ကူညီပေးခဲ့သည်။ ညွှန်ကြားချက် ကိုင်တွယ်မှုနှင့် function execution တိုးတက်လာကြောင်း အတည်ပြုပြီးနောက် ၎င်းတို့သည် Fin Tasks တစ်လျှောက် GPT‑4.1 ကို ဖြန့်ချိအသုံးပြုခဲ့ပြီး စွမ်းဆောင်ရည်နှင့် အသုံးပြုသူ စိတ်ကျေနပ်မှု နှစ်ခုစလုံးတွင် ချက်ချင်း တိုးတက်မှုများ မြင်တွေ့ခဲ့သည်။

Intercom ၏ Principal Machine Learning Scientist ဖြစ်သူ Pedro Tabacof က “GPT‑4.1 ထွက်လာတဲ့အခါ 48 နာရီအတွင်း eval ရလဒ်တွေ ရရှိခဲ့ပြီး အဲဒီနောက် ချက်ချင်း rollout အစီအစဉ်လည်း ရှိခဲ့ပါတယ်” ဟု ဆိုသည်။ “ကျွန်ုပ်တို့၏ ဖောက်သည်လိုအပ်ချက်များအတွက် GPT‑4.1 တွင် ဉာဏ်ရည်နှင့် latency အချိုးအစားကောင်းကောင်းရှိကြောင်း ချက်ချင်း မြင်တွေ့ခဲ့ပါသည်” ဟုလည်း ဆိုသည်။

Fin Voice အတွက်လည်း အလားတူ အကဲဖြတ်မှု လုပ်ငန်းစဉ်က Intercom အား အသံ မော်ဒယ် snapshot အသစ်များကို အတည်ပြုနိုင်စေပြီး latency၊ function execution နှင့် script adherence တိုးတက်မှုများကို တိတိကျကျ ဖော်ထုတ်နိုင်စေခဲ့သည်။ ယင်းအားလုံးသည် လူတန်းစား အရည်အသွေးရှိသော ဖုန်း support ကို ပေးအပ်ရန် မဖြစ်မနေ လိုအပ်သော အရာများဖြစ်သည်။

Intercom သည် interaction များတွင် အသံက ယူဆောင်လာသော အပို dimension ကို ဖမ်းယူနိုင်ရန် ၎င်းတို့၏ eval များကို တိုးချဲ့ခဲ့သည်။ ၎င်းတို့သည် အရည်အသွေးမြင့် ဖောက်သည်အတွေ့အကြုံများကို သေချာစေရန် Fin Voice ကို personality၊ tone၊ interruption handling နှင့် background noise ကဲ့သို့သော အချက်များဖြင့် စနစ်တကျ အကဲဖြတ်သည်။

Intercom သည် ပထမနေ့ကတည်းက ပြောင်းလဲမှုအတွက် တည်ဆောက်ခဲ့ပြီး ၎င်း မှီခိုရသော မော်ဒယ်များနှင့်အတူ တိုးတက်ပြောင်းလဲနိုင်လောက်အောင် လိုက်လျောညီထွေရှိသော ဗိသုကာတစ်ခုကို ဒီဇိုင်းဆွဲခဲ့သည်။

Fin ၏ စနစ်သည် ဒီဇိုင်းအရ modular ဖြစ်ပြီး chat၊ email နှင့် voice ကဲ့သို့ modality မျိုးစုံကို ပံ့ပိုးကာ တစ်ခုချင်းစီတွင် latency နှင့် complexity ဆိုင်ရာ အပြန်အလှန် အလဲအလှယ်များ ကွာခြားသည်။ ဗိသုကာသည် Intercom အား အလုပ်အတွက် အကောင်းဆုံး မော်ဒယ်သို့ query များကို route လုပ်နိုင်စေပြီး အခြေခံစနစ်ကို ပြန်လည်အင်ဂျင်နီယာလုပ်စရာမလိုဘဲ မော်ဒယ်များကို အစားထိုးနိုင်စေသည်။

ထိုလိုက်လျောညီထွေမှုသည် ရည်ရွယ်ချက်ရှိရှိ တည်ဆောက်ထားခြင်းဖြစ်ပြီး အမြဲတမ်း တိုးတက်ပြောင်းလဲနေသည်။ Fin ၏ ဗိသုကာသည် ယခုအခါ အဓိက iteration တတိယမြောက်သို့ ရောက်ရှိလာပြီး နောက်တစ်ခုကိုလည်း ဖွံ့ဖြိုးနေပြီဖြစ်သည်။ မော်ဒယ်များ တိုးတက်လာသည်နှင့်အမျှ အဖွဲ့သည် စွမ်းဆောင်ရည်အသစ်များ ဖွင့်နိုင်ရန် လိုအပ်သည့်နေရာများတွင် complexity ကို ထည့်သွင်းပြီး ဖြစ်နိုင်သည့်နေရာများတွင် ရိုးရှင်းအောင် လုပ်ဆောင်သည်။

ဤလိုက်လျောညီထွေမှုသည် Fin Tasks နှင့်ပတ်သက်၍ အရေးကြီးကြောင်း သက်သေပြခဲ့သည်။ အစပိုင်းတွင် အဖွဲ့သည် Fin Tasks ကို ပံ့ပိုးရန် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မော်ဒယ် အခြေပြု မော်ဒယ်များ လိုအပ်မည်ဟု ယူဆခဲ့သည်။ ၎င်းက Fin အား ရှုပ်ထွေးသော ဖောက်သည်မေးခွန်းများကို ဖြေရှင်းနိုင်စေပြီး ပြန်အမ်းငွေ ထုတ်ပေးခြင်း၊ အကောင့်ပြောင်းလဲခြင်း သို့မဟုတ် နည်းပညာဆိုင်ရာ ပြဿနာရှာဖွေဖြေရှင်းမှုကဲ့သို့ အဆင့်ပေါင်းများစွာပါဝင်သော လုပ်ငန်းစဉ်များကို ဆောင်ရွက်နိုင်စေသည်။

သို့သော် စမ်းသပ်မှုများတွင် GPT‑4.1 ၏ instruction-following စွမ်းရည်များသည် မျှော်မှန်းထားသည်ထက် ပိုမိုကောင်းမွန်ခဲ့ပြီး latency နှင့် ကုန်ကျစရိတ် ပိုနည်းစွာဖြင့် တူညီသော ယုံကြည်စိတ်ချရမှုကို ပေးစွမ်းခဲ့သည်။

Intercom ၏ Principal Machine Learning Engineer ဖြစ်သူ Pratik Bothra က “ရိုးရိုးသားသားပြောရရင် GPT‑4.1 အကြောင်းကို လူတွေ လုံလောက်အောင် မပြောကြဘူးလို့ ထင်ပါတယ်” ဟု ဆိုသည်။ “latency နဲ့ cost profile ကြောင့် ကျွန်ုပ်တို့ တကယ်ကို အံ့ဩခဲ့ရပါတယ်။ ဒါက ကျွန်ုပ်တို့ကို ဗိသုကာကို ပြောင်းလဲညှိနှိုင်းနိုင်စေပြီး ရှုပ်ထွေးမှုအများကြီးကို ဖယ်ရှားနိုင်စေပါတယ်” ဟုလည်း ဆိုသည်။

အဖွဲ့သည် ယခုမှ စတင်သေးသည်။ အဆင့်မြင့် မော်ဒယ်များဖြင့် လည်ပတ်ကာ modular ဖြစ်ပြီး model-agnostic ဗိသုကာပေါ်တွင် တည်ဆောက်ထားသော Intercom သည် ဖောက်သည်ပံ့ပိုးမှုကို ကျော်လွန်၍ လုပ်ငန်းတစ်လျှောက် workflow များကို လည်ပတ်ပေးရန် ချဲ့ထွင်နေပြီး ပိုမိုမြန်ဆန်သော ဖြေရှင်းမှုများနှင့် ပိုမိုကောင်းမွန်သော ဖောက်သည်အတွေ့အကြုံများကို ပေးပို့နေသည် -

• Support teams: Fin AI Agent ဖြင့် chat၊ email၊ voice နှင့် အခြား channel များတစ်လျှောက် ဝင်လာသော query အများစုကို ဖြေရှင်းခြင်း
• Ops teams: Fin Tasks ဖြင့် ပြန်အမ်းငွေများ၊ အကောင့်ပြောင်းလဲမှုများနှင့် subscription update များကဲ့သို့ ရှုပ်ထွေးသော workflow များကို အလိုအလျောက်လုပ်ဆောင်ခြင်း
• Product teams: Intercom ၏ MCP Server ကို အသုံးပြုခြင်းဖြင့် ChatGPT ကဲ့သို့ AI tools များသည် ဖောက်သည်စကားဝိုင်းများ၊ ticket များနှင့် user data များကို ရယူအသုံးပြုနိုင်ပြီး လုပ်ငန်းတစ်လျှောက်ရှိ အဖွဲ့များအား bug များ ရှာဖွေဖော်ထုတ်ရန်၊ roadmap များ ပုံဖော်ရန်၊ messaging ကို ပြန်လည်တိကျစေရန်နှင့် QBR များအတွက် ပြင်ဆင်ရန် ကူညီပေးသည်။

Intercom သည် အကဲဖြတ်မှုတွင် တင်းကျပ်သေချာစွာ ရပ်တည်ခြင်း၊ စွမ်းဆောင်ရည်ကို အခြေခံထားခြင်းနှင့် ဒီဇိုင်းတွင် လိုက်လျောညီထွေရှိခြင်းတို့ဖြင့် စကေးချဲ့နိုင်သော AI ပလက်ဖောင်းတစ်ခု တည်ဆောက်ခဲ့ပြီး support ကို ပြန်လည်သတ်မှတ်ကာ AI ဖြင့် တည်ဆောက်နေသော မည်သည့်ကုမ္ပဏီအတွက်မဆို သင်ခန်းစာများ ပေးနေသည်။