Rox သည် OpenAI အပေါ် “အပြည့်အဝ” ရင်းနှီးမြှုပ်နှံ

Rox⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် အရောင်းအဖွဲ့များက ဝင်ငွေကို စီမံခန့်ခွဲပြီး တိုးတက်စေသည့် နည်းလမ်းကို ပြန်လည်သတ်မှတ်နေပါသည်။ ၎င်း၏ ပလက်ဖောင်းသည် ကွဲပြားပြန့်ကျဲနေသော ဒေတာများကို စနစ်တကျ ပေါင်းစည်းထားသော record system တစ်ခုအဖြစ် စုပေါင်းပေးပြီး OpenAI ဖြင့် စွမ်းဆောင်ထားသည့် အမြဲတမ်းလည်ပတ်နေသော AI အေးဂျင့်အုပ်စုများမှတစ်ဆင့် အမြင်အချက်အလက်များကို ပေးပို့ပါသည်။

Rox ၏ နောက်ကွယ်ရှိ အဖွဲ့တွင် AI နှင့် data integration ဆိုင်ရာ နက်ရှိုင်းသည့် ကျွမ်းကျင်မှုများ ရှိပါသည်။ Rox ၏ ပူးတွဲတည်ထောင်သူနှင့် AI Lead ဖြစ်သူ Avanika Narayan သည် data wrangling နှင့် workflow automation ကဲ့သို့သော enterprise လုပ်ငန်းတာဝန်များတွင် LLM များကို အသုံးချသည့် ၎င်း၏ PhD သုတေသနမှ အတွေ့အကြုံကို အသုံးချခဲ့သည်။ 

“လူများသည် revenue teams များအတွင်း အပြန်အလှန် ဆက်သွယ်လုပ်ကိုင်နေသည့် ကြွယ်ဝသော ecosystem တစ်ခုကို ကျွန်မတို့ မြင်ခဲ့ပေမယ့်၊ ၎င်းတို့ကို ဒေတာအပေါ် အခြေခံထားဖို့ လိုအပ်တယ်ဆိုတာ သဘောပေါက်ခဲ့ပါတယ်” ဟု သူမက ပြောကြားခဲ့သည်။ ထိုအရာ၏ ရလဒ်မှာ system of record၊ system of workflow နှင့် AI စွမ်းအားဖြင့် ကူညီပံ့ပိုးမှု ဟူသော အဆင့်သုံးဆင့်ပါ ဝိဇ္ဇာမျှော်မှန်းချက်တစ်ခုဖြစ်ပြီး OpenAI ၏ API ဖြင့် အကောင်အထည်ဖော်ထားခြင်း ဖြစ်သည်။

Rox အတွက် 2024 ခုနှစ်တွင် စတင်မိတ်ဆက်ခြင်းသည် အချိန်ကိုက်မှုတစ်ခုသာ မဟုတ်ဘဲ အခွင့်အလမ်းတစ်ခုလည်း ဖြစ်ခဲ့သည်။ usage-based revenue model များ မြင့်တက်လာခြင်းနှင့် AI စွမ်းအားသုံး အရောင်းလုပ်ငန်းလည်ပတ်မှုများဘက်သို့ ပြောင်းရွှေ့လာခြင်းတို့ကြောင့် revenue teams များ၏ စနစ်များအတွင်း ကွာဟချက်များကို ဖော်ထုတ်ပေးခဲ့သည်။ 

OpenAI ၏ API သည် Rox အား data cleaning မှသည် ရှည်လျားသော workflow များအထိ၊ go-to-market ဈေးကွက်ဗျူဟာများအတွက် နက်နဲသေချာသည့် sales outreach အထိ အရာအားလုံးကို ကိုင်တွယ်နိုင်ရန် လိုက်လျောညီထွေမှု ပေးခဲ့သည်။ “OpenAI ၏ API ကို အသုံးပြုတာက ကျွန်တော်တို့ကို အသစ်အဆန်းတစ်ခု ဖန်တီးနိုင်စေပြီး GTM workflow ထဲမှာ ဖန်တီးမှုဆန်မှုကို ထည့်သွင်းနိုင်စေခဲ့ပါတယ်” ဟု Rox ၏ founding AI engineers တစ်ဦးဖြစ်သူ Amol Singh က မှတ်ချက်ပြုသည်။

ပလက်ဖောင်း၏ ဒီဇိုင်းသည် အလွှာသုံးခုအပေါ် အခြေခံထားသည်-

• Data layer: Rox သည် GPT‑4o mini ကဲ့သို့သော သေးငယ်သည့် မော်ဒယ်များကို အသုံးပြုပြီး warehouse မျိုးစုံမှ ကွဲပြားနေသော ဒေတာများကို ပေါင်းစည်းကာ ဖွဲ့စည်းတကျရှိပြီး အလွယ်တကူ ပြန်လည်ရယူနိုင်အောင် ပြုလုပ်သည်။
• Intelligence layer: အလယ်အလတ်အဆင့် မော်ဒယ်များသည် ရှုပ်ထွေးသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းများကို ဆောင်ရွက်ပြီး လုပ်ဆောင်ချက်များကို ဦးစားပေးသတ်မှတ်ကာ ၎င်းတို့၏ လုပ်ငန်းတာဝန်များကို မြှင့်တင်ပေးရန် အရောင်းကိုယ်စားလှယ်များနှင့် ပူးပေါင်းလုပ်ဆောင်သည်။
• Interaction layer: GPT‑4o နှင့် OpenAI ၏ Realtime API ကဲ့သို့သော အဆင့်မြင့် မော်ဒယ်များသည် email များရေးသားခြင်း၊ LinkedIn outreach ကို စီမံခန့်ခွဲခြင်းနှင့် အသံအခြေပြု အစည်းအဝေး briefs များ ပြင်ဆင်ခြင်းတို့ကို ဆောင်ရွက်ပေးသည်။

အဓိကအချက်မှာ အကောင့်တစ်ခုချင်းစီအတွက် တာဝန်ပေးထားသော အမြဲတမ်းလည်ပတ်နေသည့် AI အေးဂျင့်များအုပ်စု “Rox Agent Swarm” ဖြစ်သည်။ 

ကိုယ်စားလှယ်များ offline ဖြစ်နေစဉ် အေးဂျင့်များသည် အကောင့်များကို စောင့်ကြည့်နေပြီး အလုပ်ချိန်အတွင်း ထပ်ခါတလဲလဲ လုပ်ရသောတာဝန်များကို ကိုင်တွယ်ကာ လက်တွေ့အသုံးချနိုင်သော အမြင်အချက်အလက်များကို ဖော်ထုတ်ပေးခြင်းဖြင့် ကိုယ်စားလှယ်များ၏ ထုတ်လုပ်နိုင်စွမ်းကို 50% ပိုမိုမြင့်တက်စေသည်။

Rox ၏ launch လုပ်ငန်းစဉ်သည် အစောပိုင်း စမ်းသပ်မှုများနှင့် ဖောက်သည်တုံ့ပြန်ချက်များကြောင့် ပုံဖော်ခံခဲ့ရသည်။ အစပိုင်းတွင် အဖွဲ့သည် open-ended chat interface တစ်ခုကို စမ်းသပ်ခဲ့သော်လည်း ၎င်းသည် အရောင်းသမားများ၏ လိုအပ်ချက်များနှင့် မကိုက်ညီကြောင်း တွေ့ရှိခဲ့သည်။ ထို့အစား “အရောင်းသမားတွေက သူတို့ရဲ့ သီးခြား workflow နဲ့ ကိုက်ညီပြီး output တွေက ပိုဖန်တီးမှုရှိကာ ပိုထူးခြားတဲ့ ဖြေရှင်းချက်တစ်ခု လိုအပ်ခဲ့ပါတယ်” ဟု Rox ၏ founding AI engineers တစ်ဦးဖြစ်သူ Alex Derhacobian က ပြောသည်။

ထို့နောက် အဖွဲ့သည် agent တစ်ခုချင်းစီက ကိုယ်စားလှယ်တစ်ဦးချင်း၏ သီးခြားအကောင့်များနှင့် workflow များအလိုက် လိုက်လျောညီထွေဖြစ်စေသော အဆုံးမှအဆုံးထိ configurable platform တစ်ခုသို့ ပြောင်းလဲခဲ့သည်။ 

Ramp၊ Couchbase နှင့် Confluent ကဲ့သို့သော ကုမ္ပဏီများနှင့် မိတ်ဖက်ပူးပေါင်းမှုများမှ လမ်းညွှန်မှုရရှိထားသော ဤချဉ်းကပ်ပုံသည် ထိပ်တန်းစွမ်းဆောင်ရည်ရှိ အရောင်းသမားများ၏ ကျွမ်းကျင်မှုကိုလည်း ၎င်းတို့၏ အကောင်းဆုံးနည်းလမ်းများကို Rox's platform ထဲတွင် တည်ဆောက်ထည့်သွင်းခြင်းဖြင့် အဖွဲ့များတစ်လျှောက် ချဲ့ထွင်ပေးသည်။

အဖွဲ့သည် နေ့စဉ် update များ ထုတ်လွှင့်ပေးသည့် ၎င်းတို့၏ iterative approach က ဖွံ့ဖြိုးတိုးတက်မှုကို အရှိန်မြှင့်ပေးခဲ့ကြောင်း ပြောသည်။ “ပုံမှန်ဆိုရင် ဒီအရာကို data engineers အများအပြားနဲ့ အဖွဲ့တစ်ဖွဲ့လုံး လိုပါလိမ့်မယ်။ OpenAI ၏ မော်ဒယ်များနဲ့ တည်ဆောက်ရတာ ဘယ်လောက်လွယ်ကူသွားလဲဆိုတာကြောင့် ကျွန်တော်တို့ လူနှစ်ယောက်နဲ့ လုပ်နိုင်ခဲ့ပါတယ်” ဟု Singh က ပြောသည်။

Rox ကို အသုံးပြုသော အရောင်းအဖွဲ့များက ထင်ရှားသော တိုးတက်မှုများကို အစီရင်ခံထားသည်-

• တစ်ပတ်လျှင် ၈ နာရီကျော် သက်သာ: ကိုယ်စားလှယ်များသည် အုပ်ချုပ်ရေးဆိုင်ရာ လုပ်ငန်းများတွင် ယခင်က အသုံးကုန်ခဲ့သော အချိန်ကို ပြန်လည်ရရှိလာပြီး ပိုတန်ဖိုးမြင့်သော ဖောက်သည်ဆက်သွယ်မှုများအပေါ် အာရုံစိုက်နိုင်လာသည်။
• ဖောက်သည်ပါဝင်ဆက်သွယ်မှု ၃၅% တိုးလာ: အေးဂျင့်များက အကောင့်အပြောင်းအလဲ အရေးကြီးချက်များကို ကိုယ်စားလှယ်များ ချက်ချင်းတုံ့ပြန်နိုင်ရန် ကူညီပြီး အရေးပါတဲ့ အချိန်များတွင် ဆက်သွယ်လုပ်ဆောင်စေသည်။
• အရောင်း pipeline တွင် ROI ၂ ဆ: beta ဖောက်သည်များသည် sales-accepted pipeline ၂ ဆတိုးလာမှုကို မြင်တွေ့ခဲ့ပြီး ထို့ကြောင့် အများအပြားသည် ၎င်းတို့အဖွဲ့များတစ်လျှောက် Rox အသုံးပြုမှုကို ချဲ့ထွင်ကာ ပလက်ဖောင်းပေါ်တွင် စီမံခန့်ခွဲသည့် အကောင့်အရေအတွက်ကိုလည်း တိုးမြှင့်ခဲ့သည်။

Rox သည် enterprise ဖောက်သည်များအကြား လျင်မြန်စွာ အားကောင်းလာခဲ့ပြီး ခုနစ်လအတွင်း အကောင့် သုညမှ ၂၅ ခုအထိ တိုးတက်လာခဲ့သည်။

OpenAI ၏ မော်ဒယ်များသည် Rox ၏ ချဉ်းကပ်ပုံအတွက် အဓိကကျပြီး လုပ်ငန်းတာဝန်အမျိုးမျိုးတစ်လျှောက် လိုက်လျောညီထွေသော AI ဖြေရှင်းချက်များကို ပံ့ပိုးပေးပါသည်။ OpenAI သည် “သင်ရွေးချယ်နိုင်မယ့် မော်ဒယ်များ အပြည့်အစုံ library တစ်ခု ရှိပြီး စွမ်းဆောင်ရည်နဲ့ ဈေးနှုန်းလည်း မတူညီကြပါတယ်” ဟု Narayan က ပြောသည်။

ဤလိုက်လျောညီထွေမှုကြောင့် Rox သည် ဒေတာလုပ်ဆောင်ခြင်းအတွက် ကုန်ကျစရိတ်သက်သာသော မော်ဒယ်များကို အသုံးချနိုင်ပြီး ရှုပ်ထွေးသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းတာဝန်များအတွက် ပိုမိုမြင့်မားသည့် မော်ဒယ်များကို သီးသန့်ထားနိုင်သည်။

Rox ၏ ပူးတွဲတည်ထောင်သူများက ထိရောက်သော AI အခြေပြု ဖြေရှင်းချက်များ တည်ဆောက်ရာတွင် အဓိက သင်ခန်းစာ သုံးခုကို မျှဝေခဲ့သည်-

1. ခိုင်မာသော data layer ဖြင့် စတင်ပါ: “အရေးအကြီးဆုံးက သင့် data layer ကို ကောင်းကောင်းတပ်ဆင်ထားဖို့နဲ့ context management ပြဿနာကို ဖြေရှင်းထားဖို့ပါပဲ” ဟု Derhacobian က မျှဝေသည်။ semi-structured နှင့် unstructured data များကို indexing လုပ်ခြင်းက အမြင်အချက်အလက်များကို လက်တွေ့အသုံးချနိုင်စေသည်။
2. Applied AI ကို အာရုံစိုက်ပါ: Rox သည် ကိုယ်ပိုင်မော်ဒယ်များ တည်ဆောက်မည့်အစား OpenAI နှင့် လက်တွဲရန် ရွေးချယ်ခဲ့သည်။ “ကျွန်တော်တို့က သုတေသနလုပ်ဖို့ သို့မဟုတ် အခြေခံမော်ဒယ်တွေ ဖန်တီးဖို့ မဟုတ်ပါဘူး။ အံ့အားသင့်စရာ အက်ပ်လီကေးရှင်းတွေ ပို့ဆောင်ဖို့ OpenAI နဲ့ အလုပ်လုပ်တာပါ” ဟု Rox ၏ ပူးတွဲတည်ထောင်သူနှင့် CEO Ishan Mukherjee က ပြောသည်။
3. လျင်မြန်စွာ ထပ်ခါတလဲလဲ တိုးတက်အောင်လုပ်ပါ: ခေတ်မီ applied AI က ပိုမိုမြန်ဆန်သော လုပ်ဆောင်နှုန်းကို ခွင့်ပြုသည်။ “ကျွန်တော်တို့က နေ့တိုင်းနီးပါး release လုပ်ပါတယ်” ဟု Rox ၏ founding AI engineers တစ်ဦးဖြစ်သူ Damon Lin က ပြောပြီး ဆက်တိုက် ပြန်လည်ပြင်ဆင်တိုးတက်မှုကို ၎င်းတို့၏ အောင်မြင်မှုအတွက် အကြောင်းရင်းအဖြစ် ဖော်ပြခဲ့သည်။

Rox သည် အနာဂတ်တွင် ဝင်ငွေအဖွဲ့များက ဖောက်သည်များနှင့် ထိရောက်စွာ ဆက်သွယ်လုပ်ဆောင်ရန် လိုအပ်သော အမြင်အချက်အလက်များနှင့် ပံ့ပိုးမှုများကို အပြည့်အဝ ရရှိထားသည့် အခြေအနေနှင့်အတူ ပလက်ဖောင်းအတွင်း၌ပင် တစ်နေ့တာကို စတင်ပြီး အဆုံးသတ်ကြမည်ဟု မျှော်မှန်းထားသည်။ 

အဖွဲ့သည် Rox ၏ multimodal စွမ်းရည်များနှင့် ရေရှည်တာဝန်ကူညီနိုင်မှုကို တိုးချဲ့ရန် စီစဉ်ထားသည်။ OpenAI ၏ Realtime API ဖြင့် စွမ်းဆောင်ထားသော အသံအခြေပြု feature အသစ်တစ်ခုသည် အရောင်းသမားများကို အစည်းအဝေးများအတွက် အသေးစိတ် real-time briefs များဖြင့် ပြင်ဆင်နိုင်ရန် ကူညီနေပြီဖြစ်သည်။ 

OpenAI နှင့်အတူ Rox သည် GTM ဝင်ငွေအလားအလာကို အမြင့်ဆုံးတင်ပေးသော လူဦးဆောင် အရောင်းလုပ်ငန်းဆောင်တာများကို ဆက်လက် ပံ့ပိုးပေးသွားမည်ဖြစ်သည်။