Viable

cloud သို့ ပြောင်းရွှေ့မှုကြောင့် ဒေတာစုဆောင်းမှု အလွန်တိုးလာခဲ့သော်လည်း၊ ထိုဒေတာများ၏ ဖွဲ့စည်းပုံမရှိသော သဘောသဘာဝကြောင့် စီးပွားရေးလုပ်ငန်းများသည် တန်ဖိုးရှိသော အမြင်များကို ထုတ်ယူရာတွင် အခက်ကြုံနေကြသည်။ 

တုံ့ပြန်ချက်များမှ အဓိပ္ပာယ်ရှိသော အမြင်များကို ထုတ်ယူခြင်းသည် အချိန်ကုန်ပြီး ပင်ပန်းသော လုပ်ငန်းစဉ်ဖြစ်ကာ ပုံမှန်အားဖြင့် လူသား၏ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည် လိုအပ်သည်။ ဒေတာအစုကြီးများကို အကျဉ်းချုပ်ပေးနိုင်သော ကိရိယာများစွာ ရှိနေသော်လည်း Viable⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် GPT‑3 ၏ အားကို ဖော်ထုတ်အသုံးချခဲ့သော ပထမဆုံး ကုမ္ပဏီများအနက် တစ်ခုဖြစ်ပြီး ယခုအခါ GPT‑4 ဖြင့်လည်း ရိုးရှင်းသော အကျဉ်းချုပ်ထက် ကျော်လွန်ကာ အလွန်မြင့်မားသော တိကျမှုဖြင့် စကေးကြီးမားစွာ နက်ရှိုင်းသော ခွဲခြမ်းစိတ်ဖြာမှုကို ဆောင်ရွက်နိုင်သည်။

အကျဉ်းချုပ်ရေးခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတို့သည် လေ့ကျင့်ရေးဒေတာနှင့် မော်ဒယ်များ မတူညီသော သီးခြား ML လုပ်ငန်းစဉ်များဖြစ်သည်။ အကျဉ်းချုပ်ရေးခြင်းက အချက်အလက်ကို ချုံ့ပေးသော်လည်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်းက ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်ရန် နောက်ခံအကြောင်းအရာကို ထပ်ဖြည့်ပေးသည်။ ဒေတာအမြောက်အများကို တိကျသော အစီရင်ခံစာများအဖြစ် ပြောင်းလဲရာတွင် အကျဉ်းချုပ်ရေးခြင်းသည် ဖောက်သည်စိတ်ခံစားမှု အမှန်တကယ်ကို နားလည်ရန် အရေးကြီးသော အသေးစိတ်ကွဲပြားမှုများကို မကြာခဏ လျစ်လျူရှုပြီး ဒေတာကို ပုံပျက်စေနိုင်သဖြင့် မှားယွင်းသော စီးပွားရေးဆုံးဖြတ်ချက်များဆီ ဦးတည်စေနိုင်သည်။ အွန်လိုင်းသုံးသပ်ချက်များနှင့် support ticket များကဲ့သို့သော စာသားဒေတာများတွင် မရှင်းလင်းမှု၊ လှောင်ပြောင်ပြောဆိုမှုနှင့် ငြင်းဆိုဖော်ပြမှုများ မကြာခဏ ပါဝင်နေသဖြင့် အမှန်တကယ် နားလည်ရန် နောက်ထပ် နောက်ခံအကြောင်းအရာ လိုအပ်သည်။ 

Viable သည် OpenAI ၏ LLM များကို အထူးပြင်ဆင်လေ့ကျင့်ပေးခြင်း⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ဖြင့် ဤစိန်ခေါ်မှုကို ဖြေရှင်းခဲ့ပြီး၊ ဖောက်သည်ပံ့ပိုးမှု ဆက်သွယ်မှုများမှ မှတ်တမ်းတင်ထားသော transcript များအထိနှင့် အကြားရှိ အရာအားလုံးမှ လျင်မြန်ပြီး တိကျသော အမြင်များကို ပေးပို့နိုင်ခဲ့သည်။ ထိုသို့လုပ်ရာတွင် GPT‑4 ကို အသုံးပြု၍ လက်ရှိနည်းလမ်းများနှင့် စွမ်းဆောင်ရည်များကို ကျော်လွန်သည့် စကေးဖြင့် အရည်အသွေးဆိုင်ရာဒေတာကို ခွဲခြမ်းစိတ်ဖြာပေးသည်။ Viable ၏ ပလက်ဖောင်းသည် ကုမ္ပဏီများအား ၎င်းတို့၏ Net Promoter Score (NPS) ကို တိုးတက်စေရန်၊ support ticket ပမာဏကို လျှော့ချရန်နှင့် ၎င်းတို့၏ product roadmap များကို ပိုမိုကောင်းမွန်စွာ ချမှတ်နိုင်ရန် လက်တွေ့အသုံးချနိုင်သော အမြင်များကို ပေးစွမ်းသလို လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်များကိုလည်း သက်သာစေပါသည်။

Viable ကို 2020 ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့ပြီး မူလရည်ရွယ်ချက်မှာ စီးပွားရေးလုပ်ငန်းများအနေဖြင့် product-market fit ရရှိစေရန် ကူညီပေးရန် ဖြစ်သည်။ မကြာမီတွင် ဒေတာအခြေပြု အဖွဲ့အစည်းများပင် ဆုံးဖြတ်ချက်ချရာ၌ ၎င်းတို့၏ အရည်အသွေးဆိုင်ရာဒေတာကို အပြည့်အဝ အသုံးမချနိုင်ကြောင်း သူတို့ သဘောပေါက်ခဲ့သည်။ 

“ဖောက်သည်တုံ့ပြန်ချက်များမှတစ်ဆင့် စီးပွားရေးလုပ်ငန်းများ ထုတ်လုပ်နေသော ဒေတာအမြောက်အများကို AI ဖြင့် နားလည်အောင် ကူညီပေးရန် အခွင့်အလမ်းကြီးတစ်ခု ရှိနေကြောင်း ကျွန်ုပ်တို့ သိမြင်ခဲ့သည်” ဟု Viable ၏ CEO ဖြစ်သူ Dan Erickson က ဆိုသည်။ “GPT‑4 ၏ အဆင့်မြင့် NLP စွမ်းရည်များကို အသုံးပြုခြင်းသည် ကျွန်ုပ်တို့၏ ပလက်ဖောင်းကို ဖွံ့ဖြိုးတိုးတက်စေရန် အရေးပါလှပြီး၊ လူတစ်ယောက်က တူညီသော ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန် လိုအပ်မည့် အချိန်၏ အစိတ်အပိုင်းတစ်ခုအတွင်း ပိုမိုတိကျပြီး အသေးစိတ်ကွဲပြားမှုများပါသော အမြင်များကို ပေးစွမ်းနိုင်စေပါသည်။”

OpenAI ၏ LLM များသည် Viable အား ဖွဲ့စည်းပုံမရှိသော ဒေတာအပေါ် ၎င်းတို့၏ ခွဲခြမ်းစိတ်ဖြာမှုကို ပိုမိုကောင်းမွန်စွာ အထူးပြင်ဆင်နိုင်စေပြီး ဖောက်သည်များအတွက် ၎င်းတို့၏ ဒေတာမှ ပိုမိုအကျိုးရလဒ်များ ရယူရန် ပိုမိုလွယ်ကူလျင်မြန်စေပါသည်။ Viable သည် ယခင်က မဖြစ်နိုင်ခဲ့သော စကေးဖြင့် ဒေတာကို ခွဲခြမ်းစိတ်ဖြာနိုင်သော AI မော်ဒယ်များကို ဖွံ့ဖြိုးတိုးတက်စေရန် OpenAI နှင့် သုံးနှစ်နီးပါး နီးကပ်စွာ လက်တွဲလုပ်ဆောင်နေခဲ့သည်။

Viable ၏ ပလက်ဖောင်းသည် Zendesk, Intercom, Gong နှင့် အခြားပလက်ဖောင်းများရှိ ဖွဲ့စည်းပုံမရှိသော ဒေတာများမှ ၎င်း၏ ချောမွေ့သော ပေါင်းစည်းချိတ်ဆက်မှုများ၊ ဆက်တိုက် sync လုပ်ပေးမှုနှင့် အလိုအလျောက် ခွဲခြမ်းစိတ်ဖြာပေးမှုတို့မှတစ်ဆင့် ဖောက်သည်များအနေဖြင့် အမြင်များကို အလွယ်တကူ ထုတ်ယူနိုင်စေပါသည်။ ကလစ်အနည်းငယ်ဖြင့်ပင် ပလက်ဖောင်းသည် ဒေတာကို theme များအဖြစ် အမျိုးအစားခွဲပေးပြီး ဖောက်သည်များအနေဖြင့် ၎င်းတို့၏ ဒေတာနောက်ကွယ်ရှိ နောက်ခံအကြောင်းအရာ၊ churn risk နှင့် ထိုတုံ့ပြန်ချက်မျိုးကို ပေးနေသူများ၏ user profile များကိုပင် နားလည်နိုင်ရန် တစ်ပတ်ပြီးတစ်ပတ် ခွဲခြမ်းစိတ်ဖြာမှုကို ပေးစွမ်းပါသည်။ Viable ၏ ဖောက်သည်များသည် ၎င်းတို့၏ ဒေတာနှင့် ပတ်သက်သော ပိုမိုရှုပ်ထွေးသည့် မေးခွန်းများကို AI ထံ မေးနိုင်ပြီး သက်ဆိုင်ရာ ဒေတာအစုအပေါ် အခြေခံထားသော အမြင်များကိုလည်း ရရှိနိုင်သည်။

Viable ၏ ဖောက်သည်များသည် တစ်နှစ်လျှင် နာရီ 1,000 နီးပါး သက်သာစေခဲ့ပြီး⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)၊ support ticket ပမာဏကို လျှော့ချကာ ၎င်းတို့၏ အမြင်များကို စတင်အသုံးချပြီးနောက် customer churn ကိုလည်း လျှော့ချနိုင်ခဲ့သည်။ “Viable ဖြင့် ကျွန်ုပ်တို့သည် ယခင်က မဖြစ်နိုင်ခဲ့သော စကေးဖြင့် ဖွဲ့စည်းပုံမရှိသော ဒေတာကို ခွဲခြမ်းစိတ်ဖြာနိုင်ခဲ့သည်” ဟု Sticker Mule⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ၏ Customer Support ဒုတိယဥက္ကဋ္ဌ Kalie Bishop က ဆိုသည်။ “ယခင်က ကျွန်ုပ်တို့သည် တန်ဖိုးရှိသော အရင်းအမြစ်များကို အရည်အသွေးဆိုင်ရာ တုံ့ပြန်ချက်များကို လက်ဖြင့် ပြန်လည်သုံးသပ်ခြင်း၊ tag တပ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတို့တွင် ကုန်ခန်းစေခဲ့သည်။”

Viable သည် အလွယ်တကူ တိုင်းတာနိုင်သော quantitative KPI များသာမက မိမိတို့ ဒေတာအားလုံးအပေါ် အခြေခံ၍ ဒေတာအခြေပြု ဆုံးဖြတ်ချက်များ ချလိုသော စီးပွားရေးလုပ်ငန်းများအတွက် မရှိမဖြစ် ကိရိယာတစ်ခု ဖြစ်လာခဲ့သည်။ GPT‑4 ၏ အဆင့်မြင့် စွမ်းရည်များကြောင့် Viable သည် တိကျပြီး အသေးစိတ်ကွဲပြားမှုများပါသည့် လက်တွေ့အသုံးချနိုင်သော အမြင်များကို ပေးစွမ်းနိုင်ပြီး ၎င်း၏ ဖောက်သည်များကို ပြိုင်ဘက်များထက် ရှေ့တန်းတွင် ရှိနေစေသည်။