Maana ya kuwa Mhandisi wa Utekelezaji kwa Mteja katika OpenAI
Tunachofanya, jinsi tunavyofanya kazi na tunavyotatua matatizo magumu zaidi ya biashara ili kuleta matokeo halisi.
Na: Colin Jarvis, Mkuu wa Uhandisi wa Utekelezaji kwa Mteja katika OpenAI
Codex ilipotolewa, mtu mmoja kwenye timu aliniuliza, “Tutafanya nini Codex itakapoweza, kwa jaribio moja tu, kushughulikia matumizi ambayo tumetumia miezi michache iliyopita kuyaundia mifumo?”
Swali hilo linagusa kiini cha maana ya kuwa Mhandisi wa Utekelezaji kwa Mteja katika OpenAI. Tunashirikiana na wateja kuelewa matatizo yao magumu zaidi na kuunda suluhisho wanazoweza kutegemea. Tunachojifunza husaidia kuboresha bidhaa zetu na kuipa timu ya Utafiti matatizo halisi ya kutatua.
Hayo ndiyo maendeleo. Ikiwa kila baada ya miezi michache tunafanya msaada wetu usihitajike tena, basi timu yetu ya Wahandisi wa Utekelezaji kwa Mteja inatimiza wajibu wake.
Nilianzisha timu hii mwanzoni mwa 2025 ili kuziba tunachokiita “pengo la utekelezaji”: tofauti kati ya kile ambacho miundo inaonekana kuweza kufanya na kile ambacho watu wanaweza kutumia kwa uhakika kufanya kazi zao.
Uwezo wa miundo umeendelea kwa kasi zaidi kuliko mifumo na michakato inayohitajika kuutumia. Wakati mwingine kinachokosekana ni bidhaa. Wakati mwingine muundo hufanya vizuri kwenye kipimo sanifu, lakini hauwezi kufanya kazi hiyo unapokabiliwa na hali zinazobadilika na vikwazo vya matumizi halisi.
Tunazingatia matatizo magumu zaidi ya wateja. Pale ambapo miundo yetu inaweza kufanya kazi leo, tunashirikiana na timu ya Bidhaa na mteja wetu kufanya suluhisho liweze kutumiwa tena. Pale inaposhindwa, tunashirikiana na wateja na timu ya Utafiti kufafanua pengo na kufanya maboresho. Lengo letu ni kila mradi kumpa mteja anayefuata msingi bora wa kuanzia. Tukiboresha kiwango cha msingi kiasi kwamba wakati ujao wateja wetu hawatahitaji Wahandisi wa Utekelezaji kwa Mteja kutatua aina hii ya tatizo, tutakuwa tumefanya kazi yetu vizuri.
Changamoto kwa John Deere, kampuni ya kilimo yenye historia ya miaka 200, ilikuwa jinsi ya kuwafikia wakulima wengi zaidi kwa ushauri unaolingana na mahitaji ya kila mmoja.
Mfano mmoja ni See & Spray, teknolojia yake ya kudhibiti magugu kwa usahihi. Inatumia kamera na ujifunzaji wa mashine kutambua na kunyunyizia magugu badala ya kunyunyizia mashamba yote, hivyo kupunguza matumizi ya kemikali kwa hadi 70%.
Lakini kufaidika na teknolojia hiyo kunategemea wakulima kujua jinsi ya kuiwekea mipangilio, kupanga msimu wao na kurekebisha mbinu zao kadiri hali zinavyobadilika.
John Deere ilianza kutumia API za OpenAI ili kusaidia kutoa usaidizi huo kulingana na mahitaji ya kila mkulima na kuufikisha kwa wakulima wengi zaidi.
AI inaweza kujibu maswali ya wakulima kwa lugha ya kawaida, kutoa mwongozo wa usanidi na mapendekezo yanayowafaa, kutambua wakati vifaa huenda havitumii uwezo wake kikamilifu, na kuwasaidia wakulima kuelewa manufaa wanayopata kutokana na teknolojia hiyo.
Fursa hii haiishii kwenye mawasiliano ya mara moja: inahusu kutoa mwongozo unaofaa katika kila hatua ya uzoefu wa mteja, kuwasaidia wakulima kutumia vifaa vyao vyema zaidi huku wakiboresha ufanisi na uendelevu.
Hii ndiyo aina ya changamoto ambayo Wahandisi wa Utekelezaji kwa Mteja wa OpenAI hushughulikia: kusaidia mashirika kubadili uwezo wa AI kuwa mifumo yenye manufaa ya vitendo katika mazingira halisi yenye changamoto nyingi.
Lakini mara nyingi matatizo haya hayana njia dhahiri ya kuyatatua, huenda hakuna ukweli uliothibitishwa wa kurejelea, wala mwongozo wa kufuata. Kila mtu anataka kuunda kitu ambacho hakijawahi kuwepo. Ni wachache zaidi walio tayari kufanya kinachohitajika kukifanikisha.
Kutafuta Wahandisi wa Utekelezaji kwa Mteja wenye vipaji huku tukipandisha kiwango cha kile tunachoona kuwa “kinatosha” kumetuhitaji kuendelea kujaribu na kutumia tunayojifunza.
Mwanzoni mwa kila kikao cha timu ya Wahandisi wa Utekelezaji kwa Mteja, ninaonyesha slaidi yenye kanuni moja kuu: “Anza na matokeo unayotaka, fanya kinachohitajika ili kufanikiwa, kisha panua matumizi”.
Onyesho la kuvutia linaweza kusifiwa sana kabla ya mtu yeyote kuuliza kama linafanya kazi katika mazingira halisi.
Kazi yetu ni kutatua tatizo la mteja kwa kiwango ambacho tunaweza kukitetea katika matumizi halisi.
Katikati ya mwaka wa 2025, tulikuwa na takriban Wahandisi 15 wa Utekelezaji kwa Mteja wakishirikiana na mteja mkubwa katika sekta ya semikondakta kwenye zaidi ya matumizi 10. Lengo lilikuwa kufanya AI iwe msingi wa mchakato wao wa uthibitishaji, ikihusisha:
Kuunda majaribio yanayolenga hali mahususi
Kuchanganua chanzo cha tatizo na kurekebisha hitilafu
Msaidizi wa usanifu wa mifumo
Katika sekta hii, uthibitishaji unaweza kuchukua takriban 70% ya kazi yote ya mradi. Fursa ilikuwa kubwa sana, na kulikuwa na maeneo mengi ya kuanzia.
Baadhi ya Wahandisi wa Utekelezaji kwa Mteja walikuwa wamejiunga na OpenAI siku chache tu awali na hawakuwahi kufanya kazi katika sekta ya semikondakta. Walijiunga na timu ya uthibitishaji ya mteja, wakajifunza usanifu wa chipu wakati wao wa ziada, na kuunda tathmini pamoja na wahandisi ili kupima kama AI ingeweza kuunda majaribio yenye manufaa na kutambua kwa usahihi sababu za hitilafu za chipu.
Sambamba na kujifunza huko, tuliunda mazingira ya uendeshaji yaliyobinafsishwa kwa kila matumizi. Katika miezi 3–6 ya kwanza, yote yalikuwa yameanza kutumika katika kazi halisi na kupata watumiaji wa awali. Matunda ya kazi yetu yalionekana kwenye vipimo vya matokeo:
Takriban 48% ya muda uliokolewa kwa kutumia AI kuunda majaribio yanayolenga hali mahususi.
Uboreshaji wa kerneli ulileta ongezeko la utendaji lenye thamani ya kati ya 22%.
Kurekebisha hitilafu kulichukua saa chache badala ya wiki kadhaa
Tulipowasilisha matokeo haya yote, Afisa Mkuu wa Vifaa aliuliza, “Je, mlikuwa wabunifu wa chipu kabla ya kuja hapa?”
Wahandisi wetu wa Utekelezaji kwa Mteja hawahitaji kuijua sekta tangu siku ya kwanza, lakini ni jukumu lao kujifunza kuihusu.
Kadiri wasaidizi wa uandishi wa msimbo wanavyoharakisha uundaji wa programu, kuelewa biashara ya mteja kunazidi kuwa muhimu. Tunaunda timu zinazochanganya watu wenye ujuzi mpana na wataalamu wa nyanja mahususi.
Unahitaji maarifa ya kutosha kufanya maamuzi mazuri, na udadisi wa kutosha kuhoji dhana kuhusu hali ilivyo sasa.
Kwa mfano, katika sayansi za uhai, misingi ya kisayansi ya Wahandisi wetu wa Utekelezaji kwa Mteja huwasaidia kuaminiwa na watafiti wanaogundua dawa kabla ya majaribio ya kitabibu. Kazi hizo ni pamoja na kuthibitisha na kupanga vipaumbele vya malengo ya dawa, kuchanganua namna jeni zinavyojieleza, na kujenga upya njia za usanisi wa kemikali. Utaalamu huo huwawezesha kutoa maoni yenye msingi wa maarifa kuhusu jinsi mitiririko hiyo ya kazi inavyoweza kuboreshwa.
Tulikuwa tumeonyesha kuwa mitiririko hii ya kazi ingeweza kuleta manufaa, lakini kila mmoja bado ulihitaji kazi nyingi mno za ujumuishaji mahususi ili kutumiwa na timu nyingine. Changamoto iliyofuata ilikuwa kudumisha matokeo hayo huku tukirahisisha utekelezaji na udumishaji wa programu.
Kufikia wakati huo, uwezo wa Codex ulikuwa umeongezeka. Mhandisi mmoja wa Utekelezaji kwa Mteja alijaribu kujenga upya programu yao kwa kuitegemea, kisha akashirikiana na timu kuhamishia matumizi hayo kwenye mazingira ya uendeshaji ya pamoja yenye Codex kama msingi wake.
Programu mahususi ziligeuzwa kuwa programu-jalizi na stadi zilizojengwa kwa kutumia vipengele vya msingi vya pamoja vya Codex. Codex pia ikawa kiolesura, na kutuwezesha kuacha kutumia violesura tofauti vya terminali na vya mstari wa amri tulivyokuwa tumeandika kwa kila matumizi.
Tuliweza kuondoa takriban 90% ya msimbo mahususi kutoka kwa kila mradi. Hili lilibadili jinsi tulivyounda, kudumisha na kupanua mitiririko hii ya kazi:
Tuliweza kunufaika na maboresho ya Codex yaliyofanywa kwa pamoja, na kupunguza kiasi cha msimbo wa kuunganisha vipengele kilichohitajika kwa kila matumizi
Utendaji muhimu uliwekwa pamoja kama stadi na programu-jalizi, na kurahisisha kushirikishana uwezo huo na kuudhibiti kwa pamoja kupitia Kituo cha Ubobezi cha AI. Hii ilimaanisha kuwa kupanua matumizi kutoka timu moja hadi nyingine kungeweza kuwa rahisi: kuweka viunganishi/seva mpya za MCP, kuunda tathmini mpya (ambazo pia tulikuwa na stadi ya kuziunda), na kuanza kufanya kazi.
Katika mfano mmoja wa Agosti 2026, utekelezaji wa awali ulichukua miezi miwili. Kupeleka suluhisho hilo kwa timu ya pili kulichukua siku moja. Timu zilizofuata zilianza kulitumia haraka zaidi kadiri tulivyopanua matumizi. Hali hii imeendelea: kwa matumizi fulani mnamo Agosti 2026, timu ya pili ilihitaji siku 1 tu, baada ya utekelezaji wa awali kuchukua miezi 2.
Hiyo ni njia moja ya kufanya msaada wetu usihitajike tena. Kazi tuliyokuwa tumefanya kufikia matumizi halisi ilibainisha kilichokuwa muhimu. Kadiri bidhaa ya msingi ilivyoboreshwa, tuliweza kubadilisha sehemu kubwa ya mfumo wetu mahususi na kuhifadhi manufaa yake.
Ndiyo maana mpangilio wa hatua ni muhimu. LLM hutuwezesha kuunda kwa haraka. Tumia kasi hiyo kuwapatia watumiaji kitu chenye manufaa, jifunze kinachofanya kazi vizuri katika matumizi halisi, kisha panua kile kinachofaulu.
Kanuni hiyo hiyo inatumika katika miradi yote tunayofanya na wateja.
OpenAI Presence, bidhaa yetu kwa ajili ya mawakala wa sauti na gumzo la biashara, ilitokana na kupelekwa kwa wateja halisi. Kazi ilianza na Swarm(fungua katika dirisha jipya) na ikaendelea kupitia API ya Mawakala, na leo mteja mmoja sasa anashughulikia zaidi ya nusu ya simu zake kwa kutumia AI.
Kuanzisha ugawaji huo katika uzalishaji kulitufundisha ni matatizo gani yaliyohitaji suluhisho maalum na ni vipi vya ujenzi ambavyo timu zingine zingeweza kutumia. Tulileta vipengele hivyo vya ujenzi katika Uwepo, na kurahisisha wasanidi programu kuendesha kiotomatiki mifumo ya kazi inayodhibitiwa bila kujenga upya miundombinu ya msingi. Kila uwekaji ulisaidia kuunda bidhaa na kumpa mteja anayefuata mahali pazuri pa kuanzia.
Pamoja na Thrive Holdings , OpenAI FDEs na watafiti walifanya kazi pamoja na wahandisi na wahasibu ili kujenga Tax AI kwa makampuni ya uhasibu ya Crete. Wakati wa majaribio yake, Tax AI ilishughulikia marejesho 7,000 ya kodi na kuongeza utendaji kwa takriban 50%.
Mojawapo ya changamoto ngumu zaidi ilikuwa ni kurekebisha marejesho ya mali ya kukodisha kiotomatiki, ambayo yalihitaji mapitio ya uhandisi na wataalamu wa wiki sita ili kufikia usahihi wa 90% na urejeshaji. Kazi hiyo iliunda mifumo inayoweza kutumika tena ambayo ilifanya iwe rahisi kupanua AI ya Ushuru kwa ratiba zingine ngumu za ushuru.
Timu sasa zinatumia mbinu ile ile ya utunzaji wa hesabu, ukaguzi, na usaidizi wa TEHAMA—kujenga mifumo inayoboreka kupitia maoni ya wataalamu na matumizi halisi.
Wakati mwingine bidhaa bora zaidi hutuwezesha kurahisisha tulichounda, lakini wakati mwingine muundo wenyewe bado hauwezi kufanya kazi hiyo.
Tukiunda tu kile ambacho miundo ya leo tayari inaweza kufanya, hatutagundua mapengo ya uwezo ambayo timu ya Utafiti inahitaji kuziba baadaye. Kwa hiyo, miradi yetu mingi muhimu huanzia kwenye mipaka hiyo ya uwezo, huku mteja, Mhandisi wa Utekelezaji kwa Mteja na timu ya Utafiti wakijitolea kuishinda pamoja.
Tulikuwa tayari tumeunda jukwaa la huduma kwa wateja pamoja na mteja wetu, kampuni kubwa ya mawasiliano, na walitaka kulipanua ili lijumuishe huduma za sauti.
Takriban 90% ya mawasiliano yao ya huduma kwa wateja yalikuwa ya sauti. Kushughulikia maombi haya bila kuyahamishia kwa wahudumu kulikuwa ghali zaidi kuliko gumzo la maandishi. Pia kulileta changamoto mpya za kiufundi: kushughulikia lafudhi na toni, kupunguza muda wa kusubiri majibu na kufikia usahihi unaohitajika kwa matumizi halisi. Kufanikisha hili kungeleta mabadiliko makubwa katika biashara yao.
Tulipokuwa tukibainisha wigo wa mradi, muundo wetu ulipata takriban 60% katika tathmini kuu tulizotumia kupima kama ungeweza kufanya kazi hiyo katika matumizi halisi. Tulikuwa tumefikia kikomo cha uwezo wake. Mgao wa kiutendaji na ufuataji wa maagizo katika huduma kwa wateja vilihitaji kuboreshwa.
Tulimweleza mteja jambo hilo na kuishirikisha timu ya Utafiti katika kazi. Mhandisi wa Utekelezaji kwa Mteja alishirikiana na mteja kuunda jukwaa na kufafanua kile ambacho muundo ulihitaji kufanya. Timu ya Utafiti ilifanya kazi kuziba mapengo ya uwezo, huku matoleo ya muundo yaliyofuatana yakituwezesha kupima maendeleo kulingana na mahitaji ya mteja.
Katika kipindi cha miezi sita, matokeo ya tathmini kuu yalipanda kutoka takriban 60% hadi 80%, kisha zaidi ya 90%, na kufikia viwango vilivyohitajika kwa matumizi halisi.
Muundo wa sauti uliotokana na kazi hiyo sasa unawezesha mfumo wa mteja huyo, mifumo mingine iliyobinafsishwa ya huduma kwa wateja, na mifumo inayosimamiwa kupitia Presence. Tatizo lililojitokeza katika biashara ya mteja mmoja lilisaidia kubaini maboresho ambayo yangeweza kuwanufaisha wengine wengi.
Kila sehemu ilikuwa muhimu. Mteja alijitolea kushughulikia tatizo ambalo muundo haukuweza kulitatua wakati huo. Mhandisi wa Utekelezaji kwa Mteja alishirikiana kwa karibu vya kutosha kufafanua tatizo hilo, kuunda jukwaa na kuongoza mradi kuanzia mwanzo hadi mwisho. Timu ya Utafiti iliboresha uwezo wa msingi wa muundo.
Hii ndiyo njia nyingine ya kufanya msaada wetu usihitajike tena: kusaidia kubadili tatizo lisiloweza kutatuliwa na miundo ya leo kuwa uwezo ambao miundo ya baadaye itakuwa nao. Manufaa ya kazi yetu yanazidi saa tunazotumia na mteja yeyote mmoja.
Nilijiunga na OpenAI ili kusaidia kufanya AI iwe na manufaa katika kazi za watu za kila siku. Hilo bado ndilo linaloiongoza timu. Mara nyingi huiambia timu kuwa katika hali nyingi za uundaji wa LLM, kanuni ya Occam hutumika—suluhisho rahisi zaidi ndilo bora zaidi. Katika kampuni inayojulikana kwa utafiti wa hali ya juu na sekta iliyochafuliwa na madai yaliyotiwa chumvi, tunataka kuunda vitu vinavyofanya kazi kwa uhakika ambavyo watu wanaovifanya kazi wanaweza kutegemea.
Lengo ni kila mradi kuboresha kitakachofuata: bidhaa iliyo rahisi zaidi kutekeleza, muundo unaoweza kushughulikia kazi ngumu zaidi, au kupunguza kazi mahususi inayohitajika kwa mteja anayefuata.
Ikiwa una tatizo gumu unalotaka kutatua, tungependa kushirikiana nawe. Ikiwa unataka kusaidia kutatua matatizo hayo, tungependa ujiunge nasi.
Kwa hiyo, tunafanya nini Codex inapoweza kushughulikia kazi tuliyotumia miezi kuijengea mfumo?
Tunaenda kutafuta tatizo gumu zaidi.
