Intercom ਦੇ ਟਿਕਾਊ AI ਫਾਇਦੇ ਲਈ ਤਿੰਨ ਸਬਕ

ਜਦੋਂ 2022 ਵਿੱਚ ChatGPT ਲਾਂਚ ਹੋਇਆ, Intercom⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨੇ ਸਿਰਫ਼ ਸੁਰਖੀਆਂ ਨਹੀਂ ਵੇਖੀਆਂ, ਉਹ ਤੁਰੰਤ ਸਰਗਰਮ ਹੋ ਗਏ. GPT‑3.5 ਦੇ ਜਾਰੀ ਹੋਣ ਤੋਂ ਕੁਝ ਘੰਟਿਆਂ ਅੰਦਰ ਹੀ, ਇਸ customer service software ਕੰਪਨੀ ਨੇ ਪ੍ਰਯੋਗ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੇ, ਅਤੇ ਸਿਰਫ਼ ਚਾਰ ਮਹੀਨੇ ਬਾਅਦ Fin ਲਾਂਚ ਕੀਤਾ, ਉਹਨਾਂ ਦਾ AI ਏਜੰਟ ਜੋ ਹੁਣ ਹਰ ਮਹੀਨੇ ਲੱਖਾਂ ਗਾਹਕ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਨਿਪਟਾਰਾ ਕਰਦਾ ਹੈ.

ਉਹ ਸ਼ੁਰੂਆਤੀ ਗਤੀ ਕੋਈ ਇਤਫ਼ਾਕ ਨਹੀਂ ਸੀ. ਜਿਵੇਂ LLM ਅੱਗੇ ਵਧੇ, Intercom ਨੇ ਪਛਾਣ ਲਿਆ ਕਿ AI customer experience ਨੂੰ ਨਵਾਂ ਰੂਪ ਦੇਵੇਗਾ. ਲੀਡਰਸ਼ਿਪ ਨੇ ਤੇਜ਼ੀ ਨਾਲ ਕਦਮ ਚੁੱਕੇ, ਇੱਕ cross-functional task force ਬਣਾਈ, ਗੈਰ-AI ਪ੍ਰੋਜੈਕਟ ਰੱਦ ਕੀਤੇ, ਅਤੇ ਕਾਰੋਬਾਰ ਨੂੰ AI ਦੇ ਆਲੇ-ਦੁਆਲੇ ਮੁੜ ਪਲੇਟਫਾਰਮ ਕਰਨ ਲਈ $100 million ਦੇਣ ਲਈ ਵਚਨਬੱਧ ਹੋਏ.

ਉਸ ਫੈਸਲੇ ਨੇ ਪੂਰੀ ਕੰਪਨੀ ਵਿੱਚ ਬਦਲਾਅ ਲਿਆਏ: ਮੁੜ ਸੁਧਾਰੇ product teams, ਇੱਕ ਨਵੀਂ AI-first helpdesk ਰਣਨੀਤੀ, ਅਤੇ ਇੱਕ ਐਸਾ ਪਲੇਟਫਾਰਮ ਜੋ Fin ਨੂੰ ਵੱਡੀ ਮਾਤਰਾ ਅਤੇ ਜਟਿਲ ਗਾਹਕ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਸਹਾਇਕ ਹੋਵੇ.

ਹੇਠਾਂ Intercom ਦੀ ਯਾਤਰਾ ਤੋਂ ਤਿੰਨ ਸਬਕ ਹਨ ਜੋ ਕੋਈ ਵੀ ਟੀਮ—ਭਾਵੇਂ ਤੁਸੀਂ ਕਿਤੇ ਤੋਂ ਵੀ ਸ਼ੁਰੂ ਕਰ ਰਹੇ ਹੋ—ਹੁਣੇ ਕੰਮ ਵਿੱਚ ਲਿਆ ਸਕਦੀ ਹੈ.

Intercom ਮਾਡਲਾਂ ਦੀ ਜਲਦੀ ਅਤੇ ਵਾਰੰਵਾਰ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਆਪਣੇ ਕੰਮ ਤੋਂ ਡੂੰਘੀ ਸਿੱਖ ਲੈਂਦਾ ਹੈ.

ਟੀਮ ਨੇ ਜਨਰੇਟਿਵ ਮਾਡਲਜ਼ ਨਾਲ ਜਲਦੀ ਪ੍ਰਯੋਗ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੇ ਸਨ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਹੱਥ-ਅਨੁਭਵ ਨੇ ਉਹਨਾਂ ਨੂੰ ਮਾਡਲ ਦੀਆਂ ਸੀਮਾਵਾਂ ਮੈਪ ਕਰਨ ਅਤੇ ਮੌਕੇ ਪਛਾਣਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ. ਜਦੋਂ 2023 ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ GPT‑4 ਉਪਲਬਧ ਹੋਇਆ, ਉਹ ਤਿਆਰ ਸਨ. ਚਾਰ ਮਹੀਨਿਆਂ ਅੰਦਰ, ਉਹਨਾਂ ਨੇ Fin ਲਾਂਚ ਕੀਤਾ ਅਤੇ ਉਦੋਂ ਤੋਂ ਰੁਕੇ ਨਹੀਂ.

Jordan Neill, SVP of Engineering ਕਹਿੰਦੇ ਹਨ, “ਅਸੀਂ GPT‑3.5 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਾਦੂ ਦੀ ਝਲਕ ਵਾਲੀਆਂ ਸੁਗਮ ਗੱਲਬਾਤਾਂ ਕਰ ਸਕਦੇ ਸੀ, ਪਰ ਇਹ ਹਾਲੇ ਸਾਡੇ ਗਾਹਕਾਂ ਨਾਲ ਭਰੋਸੇ ਲਈ ਕਾਫ਼ੀ ਵਿਸ਼ਵਾਸਯੋਗ ਨਹੀਂ ਸੀ. ਕਿਉਂਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਕੰਮ ਕਰ ਲਿਆ ਸੀ, ਜਦੋਂ GPT‑4 ਆਇਆ, ਸਾਨੂੰ ਪਤਾ ਸੀ ਕਿ ਇਹ ਤਿਆਰ ਹੈ, ਅਤੇ ਅਸੀਂ Fin ਜਾਰੀ ਕਰ ਦਿੱਤਾ.”

ਉਸੇ ਨਿਪੁੰਨਤਾ ਨੇ Intercom ਨੂੰ Fin Tasks ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਜੋ refunds ਅਤੇ technical support ਵਰਗੇ ਜਟਿਲ workflow ਆਟੋਮੇਟ ਕਰਨ ਵਾਲਾ ਸਿਸਟਮ ਹੈ. ਜਦਕਿ ਟੀਮ ਨੇ ਸ਼ੁਰੂ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ ਆਧਾਰਿਤ ਸਟੈਕ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਸੀ, ਉਹਨਾਂ ਦੇ ਮੁਲਾਂਕਣਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ GPT‑4.1 ਇਹ ਕੰਮ ਆਪਣੇ ਆਪ ਉੱਚ ਵਿਸ਼ਵਾਸਯੋਗਤਾ ਅਤੇ ਘੱਟ latency ਨਾਲ ਕਰ ਸਕਦਾ ਹੈ.

ਅੱਜ, GPT‑4.1 Intercom ਦੀ AI ਵਰਤੋਂ ਦੇ ਵਧਦੇ ਹਿੱਸੇ ਨੂੰ ਚਲਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ Fin Tasks ਦੇ ਅੰਦਰਲੀ ਮੁੱਖ logic ਵੀ ਸ਼ਾਮਲ ਹੈ. ਟੀਮ ਨੇ ਇਹ ਵੀ ਲੱਭਿਆ ਕਿ ਗੈਰ-ਰੀਜ਼ਨਿੰਗ ਪ੍ਰਸ਼ਨਾਂ ਵਿੱਚ ਚੇਨ-ਆਫ-ਥੌਟ prompting ਜੋੜਨ ਨਾਲ performance gap ਘਟ ਗਏ.

Intercom ਦੀ ਸਿੱਖ: ਜਿੰਨਾ ਵਧੀਆ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਜਾਣਦੇ ਹੋ, state of the art ਦੇ ਵਿਕਸਿਤ ਹੋਣ ਨਾਲ ਤੁਸੀਂ ਉਤਨੀ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਕੂਲ ਹੋ ਸਕਦੇ ਹੋ.

ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣ ਲਈ, ਤੁਹਾਨੂੰ ਮਾਪਣਾ ਪਵੇਗਾ ਕਿ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ—ਅਤੇ ਕਿਉਂ.

Intercom ਦੀ ਨਵੇਂ ਮਾਡਲਾਂ, modalities, ਅਤੇ architectures ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅਪਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਉਹਨਾਂ ਦੀ ਸਖ਼ਤ evaluation process ਵਿੱਚ ਜੜੀ ਹੋਈ ਹੈ. ਹਰ ਨਵਾਂ OpenAI ਮਾਡਲ—ਚਾਹੇ Fin Voice ਲਈ ਹੋਵੇ, ਜੋ Realtime API ਨਾਲ ਚੱਲਦਾ ਹੈ, ਜਾਂ Fin Tasks ਲਈ, ਜੋ GPT‑4.1 ਨਾਲ ਚੱਲਦਾ ਹੈ—deployment ਤੋਂ ਪਹਿਲਾਂ instruction following, tool call accuracy, ਅਤੇ overall coherence ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ structured offline tests ਅਤੇ live A/B trials ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ.

ਉਦਾਹਰਨ ਵਜੋਂ, ਟੀਮ ਅਸਲ support interactions ਦੇ transcripts ਦੇ ਮੁਕਾਬਲੇ ਮਾਡਲਾਂ ਨੂੰ benchmark ਕਰਦੀ ਹੈ, ਇਹ ਜਾਂਚਦੇ ਹੋਏ ਕਿ ਉਹ refunds ਵਰਗੀਆਂ multi-step instructions ਨੂੰ ਕਿੰਨਾ ਚੰਗਾ ਸੰਭਾਲਦੇ ਹਨ, Fin ਦੀ brand voice ਕਿਵੇਂ ਬਣਾਈ ਰੱਖਦੇ ਹਨ, ਅਤੇ function calls ਨੂੰ ਕਿੰਨਾ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਚਲਾਉਂਦੇ ਹਨ. ਇਹ ਨਤੀਜੇ live A/B tests ਲਈ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਨ ਜੋ GPT‑4 ਅਤੇ GPT‑4.1 ਵਰਗੇ ਮਾਡਲਾਂ ਵਿੱਚ resolution rates ਅਤੇ customer satisfaction ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ.

ਇਸ ਪਹੁੰਚ ਨੇ Intercom ਨੂੰ ਸਿਰਫ਼ ਕੁਝ ਦਿਨਾਂ ਵਿੱਚ GPT‑4 ਤੋਂ GPT‑4.1 ਵੱਲ ਮਾਈਗ੍ਰੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ. Instruction handling ਅਤੇ function execution ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਉਹਨਾਂ ਨੇ GPT‑4.1 ਨੂੰ Fin Tasks ਵਿੱਚ rollout ਕੀਤਾ ਅਤੇ performance ਅਤੇ user satisfaction ਦੋਵਾਂ ਵਿੱਚ ਤੁਰੰਤ ਲਾਭ ਵੇਖੇ.

Pedro Tabacof, Principal Machine Learning Scientist at Intercom ਕਹਿੰਦੇ ਹਨ, “ਜਦੋਂ GPT‑4.1 ਆਇਆ, ਸਾਡੇ ਕੋਲ 48 ਘੰਟਿਆਂ ਵਿੱਚ eval ਨਤੀਜੇ ਸਨ ਅਤੇ ਉਸ ਤੋਂ ਤੁਰੰਤ ਬਾਅਦ rollout plan ਵੀ ਸੀ. ਅਸੀਂ ਤੁਰੰਤ ਵੇਖ ਲਿਆ ਕਿ GPT‑4.1 ਵਿੱਚ ਸਾਡੇ ਗਾਹਕਾਂ ਦੀ ਲੋੜ ਲਈ intelligence ਅਤੇ latency ਦਾ ਚੰਗਾ ਮਿਲਾਪ ਸੀ.”

Fin Voice ਲਈ, ਇਸੇ evaluation process ਨੇ Intercom ਨੂੰ ਨਵੇਂ voice model snapshots ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਅਤੇ latency, function execution, ਅਤੇ script adherence ਵਿੱਚ ਸੁਧਾਰਾਂ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਪਛਾਣਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ: ਇਹ ਸਭ ਮਨੁੱਖੀ-ਗੁਣਵੱਤਾ ਵਾਲੀ phone support ਦੇਣ ਲਈ ਬੁਨਿਆਦੀ ਹਨ.

Intercom ਨੇ ਆਪਣੇ evals ਦਾ ਵਿਸਥਾਰ ਕੀਤਾ ਤਾਂ ਜੋ voice interactions ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਵਾਧੂ ਪੱਖ ਨੂੰ ਕੈਪਚਰ ਕੀਤਾ ਜਾ ਸਕੇ. ਉਹ Fin Voice ਨੂੰ personality, tone, interruption handling, ਅਤੇ background noise ਵਰਗੇ ਕਾਰਕਾਂ ਲਈ ਪ੍ਰਣਾਲੀਬੱਧ ਢੰਗ ਨਾਲ ਜਾਂਚਦੇ ਹਨ, ਤਾਂ ਜੋ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ customer experiences ਯਕੀਨੀ ਬਣ ਸਕਣ.

Intercom ਨੇ ਪਹਿਲੇ ਦਿਨ ਤੋਂ ਹੀ ਬਦਲਾਅ ਲਈ ਬਣਾਇਆ, ਐਸੀ ਆਰਕੀਟੈਕਚਰ ਡਿਜ਼ਾਈਨ ਕੀਤੀ ਜੋ ਉਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਨਾਲ ਵਿਕਸਿਤ ਹੋ ਸਕੇ ਜਿਨ੍ਹਾਂ ‘ਤੇ ਇਹ ਨਿਰਭਰ ਕਰਦੀ ਹੈ.

Fin ਦਾ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਅਨੁਸਾਰ modular ਹੈ, ਜੋ chat, email, ਅਤੇ voice ਵਰਗੀਆਂ ਕਈ modalities ਨੂੰ support ਕਰਦਾ ਹੈ, ਅਤੇ ਹਰ ਇੱਕ ਵਿੱਚ latency ਅਤੇ complexity ਦੇ ਵੱਖਰੇ tradeoffs ਹਨ. ਇਹ ਆਰਕੀਟੈਕਚਰ Intercom ਨੂੰ ਕੰਮ ਲਈ ਸਭ ਤੋਂ ਚੰਗੇ ਮਾਡਲ ਵੱਲ queries route ਕਰਨ ਅਤੇ ਅਧਾਰਭੂਤ ਸਿਸਟਮ ਨੂੰ ਦੁਬਾਰਾ ਇੰਜੀਨੀਅਰ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ.

ਉਹ ਲਚਕੀਲਾਪਣ ਜਾਣ-ਬੁੱਝ ਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਅਤੇ ਲਗਾਤਾਰ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ. Fin ਦੀ ਆਰਕੀਟੈਕਚਰ ਹੁਣ ਆਪਣੀ ਤੀਜੀ ਵੱਡੀ iteration ‘ਤੇ ਹੈ, ਅਤੇ ਅਗਲੀ ਪਹਿਲਾਂ ਹੀ development ਵਿੱਚ ਹੈ. ਜਿਵੇਂ ਮਾਡਲ ਸੁਧਰਦੇ ਹਨ, ਟੀਮ ਨਵੀਆਂ ਸਮਰੱਥਾਵਾਂ ਖੋਲ੍ਹਣ ਲਈ ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ ਉੱਥੇ complexity ਜੋੜਦੀ ਹੈ ਅਤੇ ਜਿੱਥੇ ਸੰਭਵ ਹੋਵੇ ਉੱਥੇ ਇਸਨੂੰ ਸਧਾਰਨ ਕਰਦੀ ਹੈ.

ਇਹ ਅਨੁਕੂਲਤਾ Fin Tasks ਨਾਲ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਸਾਬਤ ਹੋਈ. ਸ਼ੁਰੂ ਵਿੱਚ, ਟੀਮ ਨੇ ਮੰਨਿਆ ਸੀ ਕਿ Fin Tasks ਨੂੰ support ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ ਆਧਾਰਿਤ ਮਾਡਲਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ—ਜੋ Fin ਨੂੰ ਜਟਿਲ ਗਾਹਕ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਨਿਪਟਾਰਾ ਕਰਨ ਅਤੇ refunds ਜਾਰੀ ਕਰਨ, account changes ਕਰਨ, ਜਾਂ technical troubleshooting ਵਰਗੀਆਂ multi-step processes ਚਲਾਉਣ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ.

ਪਰ ਟੈਸਟਿੰਗ ਵਿੱਚ, GPT‑4.1 ਦੀ instruction-following ਸਮਰੱਥਾ ਉਮੀਦਾਂ ਤੋਂ ਵੱਧ ਸਾਬਤ ਹੋਈ, ਅਤੇ ਉਸਨੇ ਘੱਟ latency ਅਤੇ ਲਾਗਤ ‘ਤੇ ਉਹੀ ਵਿਸ਼ਵਾਸਯੋਗਤਾ ਦਿੱਤੀ.

Pratik Bothra, Principal Machine Learning Engineer at Intercom ਕਹਿੰਦੇ ਹਨ, “ਸੱਚ ਪੁੱਛੋ ਤਾਂ, ਮੈਨੂੰ ਨਹੀਂ ਲੱਗਦਾ ਲੋਕ GPT‑4.1 ਬਾਰੇ ਕਾਫ਼ੀ ਗੱਲ ਕਰਦੇ ਹਨ. latency ਅਤੇ cost profile ਨੇ ਸਾਨੂੰ ਸੱਚਮੁੱਚ ਹੈਰਾਨ ਕੀਤਾ. ਇਹ ਸਾਨੂੰ ਆਪਣੀ ਆਰਕੀਟੈਕਚਰ ਬਦਲਣ ਅਤੇ ਕਾਫ਼ੀ complexity ਹਟਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ.”

ਟੀਮ ਹੁਣੇ ਹੀ ਸ਼ੁਰੂਆਤ ਕਰ ਰਹੀ ਹੈ. ਉੱਨਤ ਮਾਡਲਾਂ ਨਾਲ ਚੱਲ ਰਹੀ ਅਤੇ modular, model-agnostic ਆਰਕੀਟੈਕਚਰ ‘ਤੇ ਬਣੀ Intercom ਹੁਣ customer support ਤੋਂ ਅੱਗੇ ਵੱਧ ਕੇ ਪੂਰੇ ਕਾਰੋਬਾਰ ਵਿੱਚ workflows ਨੂੰ ਸ਼ਕਤੀ ਦੇ ਰਹੀ ਹੈ, ਤੇਜ਼ ਨਿਪਟਾਰੇ ਅਤੇ ਵਧੀਆ customer experiences ਪਹੁੰਚਾ ਰਹੀ ਹੈ:

• Support teams: Fin AI ਏਜੰਟ ਨਾਲ chat, email, voice ਅਤੇ ਹੋਰ ਰਾਹੀਂ ਆਉਣ ਵਾਲੇ ਵੱਧਤਰ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਨਿਪਟਾਰਾ ਕਰਨਾ
• Ops teams: Fin Tasks ਨਾਲ refunds, account changes, ਅਤੇ subscription updates ਵਰਗੇ ਜਟਿਲ workflows ਆਟੋਮੇਟ ਕਰਨਾ
• Product teams: Intercom ਦੇ MCP Server ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ChatGPT ਵਰਗੇ AI tools customer conversations, tickets, ਅਤੇ user data ਤੱਕ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ - ਇਸ ਨਾਲ ਪੂਰੇ ਕਾਰੋਬਾਰ ਦੀਆਂ ਟੀਮਾਂ bugs ਪਛਾਣ ਸਕਦੀਆਂ ਹਨ, roadmaps ਤਿਆਰ ਕਰ ਸਕਦੀਆਂ ਹਨ, messaging ਸੁਧਾਰ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ QBRs ਲਈ ਤਿਆਰੀ ਕਰ ਸਕਦੀਆਂ ਹਨ. 

Intercom ਨੇ ਮੁਲਾਂਕਣ ‘ਤੇ ਸਖ਼ਤੀ, performance ‘ਤੇ ਧਿਆਨ, ਅਤੇ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਲਚਕ ਰੱਖ ਕੇ ਇੱਕ ਸਕੇਲ ਕਰਨ ਯੋਗ AI ਪਲੇਟਫਾਰਮ ਬਣਾਇਆ—support ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋਏ ਅਤੇ AI ਨਾਲ ਬਣਾਉਣ ਵਾਲੀ ਕਿਸੇ ਵੀ ਕੰਪਨੀ ਲਈ ਸਬਕ ਦਿੱਤੇ.