Ironclad உடன் கணினிப் பயன்பாட்டை மேம்படுத்துதல்

நாங்கள் GPT‑6 Astra-ஐ அறிமுகப்படுத்தியபோது, ஆவணங்களைத் தயாரிப்பது முதல் வலைத்தளங்களைச் சோதிப்பது வரை, தொழில்முறைப் பணிகளுக்குக் கணினிகளைப் பயன்படுத்துவதில் எங்கள் மாடல்கள் எவ்வளவு முன்னேறியுள்ளன என்பதை விளக்கினோம். சிக்கலான வணிகப் பிரச்சினைகளைத் தீர்க்கச் சிறப்பு மென்பொருளைப் பயன்படுத்துவதில் ஏஜென்ட்களின் திறனையும் செயல்திறனையும் மேம்படுத்துவதே எங்கள் அடுத்த இலக்கு ஆகும். ஒரு நிறுவனத்தின் வணிக விதிகளைப் புரிந்துகொள்ளவும், பல படிகளைக் கொண்ட பணிப்பாய்வுகளைச் செயல்படுத்தவும், தங்கள் பணியானது தொடக்கத் தேவைகளை நிறைவேற்றுகிறதா எனச் சரிபார்க்கவும் மாடல்களுக்கு எப்படிப் பயிற்சியளிப்பது என்பதை ஆராய்ந்து வருகிறோம்.

இந்த ஆராய்ச்சியை விரைவுபடுத்த, இத்தகைய பணிப்பாய்வுகளை நன்கறிந்த குறைந்த எண்ணிக்கையிலான மென்பொருள் நிறுவனங்களுடன் நேரடியாக இணைந்து செயல்படுகிறோம். சவாலான, அதிகப் பயன் தரும் பணிகளை நாங்கள் இணைந்து அடையாளம் கண்டு, எங்கள் மாடல்களைப் பயிற்றுவிக்கவும் மதிப்பிடவும் உதவும் ஆராய்ச்சிப் பிரச்சினைகளாக மாற்றுகிறோம். இதன் மூலம், நடைமுறை வணிகப் பயன்பாடுகளில் எங்கள் மாடல்களின் திறனையும் பயனையும் மேம்படுத்துகிறோம்.

செயற்கை நுண்ணறிவு சார்ந்த ஒப்பந்தச் சேவைகளில் முன்னணியில் உள்ள Ironclad எங்கள் முதல் கூட்டாளர். Ironclad குழுவுடன் நெருக்கமாக இணைந்து, ஒப்பந்தங்கள், ஒப்புதல்கள், மீண்டும் பயன்படுத்தக்கூடிய சட்ட நிபந்தனைகள் ஆகியவற்றை ஏஜென்ட்கள் அமைக்க வேண்டிய பணிகளை உருவாக்கியுள்ளோம். இந்தச் சிக்கலான பணிப்பாய்வுகளில் முன்னேற்றத்தையும் காட்டியுள்ளோம். வெற்றியை வரையறுப்பதிலும், உண்மையான வாடிக்கையாளர் தேவைகளை நேரடியாக அதிநவீன மாடல் உருவாக்கத்தில் இணைப்பதிலும் Ironclad-இன் நிபுணத்துவம் முக்கியப் பங்காற்றியுள்ளது. அவர்களின் ஒத்துழைப்புக்கு நன்றி தெரிவிப்பதோடு, நாங்கள் இணைந்து சாதித்தவற்றைப் பகிர்வதில் மகிழ்ச்சியடைகிறோம்.

Ironclad பணிகளில் பயிற்றுவிக்கப்பட்ட எங்கள் முதல் அதிநவீன மாடல் GPT‑6 Astra ஆகும். எங்கள் ஆராய்ச்சி மதிப்பீட்டில், அதன் சராசரி மதிப்பெண் GPT‑5.6 Sol-ஐவிட 32% அதிகமாகவும், ஒவ்வொரு முயற்சிக்குமான மதிப்பிடப்பட்ட நேரம் 48% குறைவாகவும் இருந்தது.¹

மென்பொருள் வாங்குவதற்கான செயல்முறையை அமைக்கும் சட்டச் செயல்பாட்டுக் குழுவை எடுத்துக்கொள்வோம். குறிப்பிட்ட தொகைக்கு மேலான வாங்குதல்களுக்கு நிதித் துறையின் ஒப்புதல் தேவைப்படலாம். சில கோரிக்கைகளைப் பாதுகாப்புத் துறையும், வழக்கத்திற்கு மாறான நிபந்தனைகளைச் சட்டத் துறையும் ஆய்வு செய்ய வேண்டியிருக்கலாம். செயல்முறையை அமைப்பவர், இந்தச் சிறிய பட்டியலை ஒரு கோரிக்கைப் படிவம், ஆவண வார்ப்புருக்கள், ஒப்புதல் விதிகள், இறுதி ஒப்பந்தத்தின் பதிவு ஆகியவையாக மாற்ற வேண்டும்.

அதே பணியைச் செய்யும் செயற்கை நுண்ணறிவு ஏஜென்ட், மென்பொருளில் ஒவ்வொரு படியாகச் செயல்படும்போதும் அந்தத் தேவைகளை நினைவில் கொள்ள வேண்டும். எடுத்துக்காட்டாக, செலவு வரம்பை மீறும்போது நிதித் துறையின் ஒப்புதல் தேவைப்படுமாறு அது அமைக்க வேண்டும். அந்த வரம்புக்கு மேலும் கீழும் உள்ள கோரிக்கைகள் உரிய வழிமுறைகளைப் பின்பற்றுகின்றனவா என்பதையும் சரிபார்க்க வேண்டும். ஒவ்வொரு படியையும் சரியாகச் செய்தால் மட்டும் போதாது: உருவாக்கப்பட்ட செயல்முறை, அது கையாள வேண்டிய அனைத்துச் சூழல்களிலும் சரியாகச் செயல்பட வேண்டும்.

சட்டம், வணிகம், கொள்முதல் ஆகிய துறைகளில் 11 பணிகளை அடையாளம் காண, Ironclad ஊழியர்களும் OpenAI-இல் Ironclad-ஐப் பயன்படுத்துவோரும் எங்கள் ஆராய்ச்சியாளர்களுக்கு உதவினர். ரகசியக்காப்பு ஒப்பந்தங்களை அமைத்தல், கொள்முதல் ஒப்புதல் செயல்முறைகளை உருவாக்குதல், கோரிக்கையாளர் தேர்ந்தெடுக்கும் சட்ட அதிகார எல்லைக்கு ஏற்ப மீண்டும் பயன்படுத்தக்கூடிய சட்டப் பிரிவைப் புதுப்பித்தல் போன்ற பணிகள் இவற்றில் அடங்கும். அனுபவமுள்ள பயனருக்கு, இந்தப் பணிகள் ஒவ்வொன்றையும் முடிக்கச் சராசரியாக 30 முதல் 40 நிமிடங்கள் ஆகும் என மதிப்பிடுகிறோம்.

ஒவ்வொரு பணியின் சிக்கலுக்கும் ஏற்ப, 8 முதல் 50 அளவுகோல்களின் அடிப்படையில் அதை மதிப்பிட்டோம். ஒரு மாடல் எந்தப் பகுதிகளைச் சரியாகச் செய்தது, எங்கு குறைபட்டது என்பதை இதன் மூலம் அறிய முடிந்தது. மாடல்கள் இந்தப் பணிகளைப் பழகுவதற்காக, சேவையகங்களில் இயங்கும் தனது தயாரிப்பின் மென்பொருள் சூழல்களையும் Ironclad வழங்கியது. வழக்கமான பணிப்பாய்வுகளை அடிப்படையாகக் கொண்டு எங்கள் ஆராய்ச்சியாளர்கள் செயற்கையாக உருவாக்கப்பட்ட பயிற்சிப் பணிகளை² வடிவமைத்தனர். பயிற்சி மற்றும் கருத்துகளின் மூலம் மாடல்கள் மேம்பட உதவ, ரீஇன்ஃபோர்ஸ்மென்ட் லெர்னிங்கைப் பயன்படுத்தினர். பணியை நன்கறிந்தவர்களுடன் சேர்ந்து தேர்ந்தெடுத்த பணிகள், விரிவான அளவுகோல்கள், மாடல்கள் பயிற்சி பெறுவதற்கான சூழல் ஆகியவற்றின் சேர்க்கை, எங்கள் வாடிக்கையாளர்களுக்கு மிக முக்கியமான நிஜ உலகப் பணிகளில் நாங்கள் முன்னேறுவதை உறுதிசெய்கிறது.

Astra-க்கு Max ரீஸனிங், Sol-க்கு அதிகம் ரீஸனிங் என, ஒவ்வொரு மாடலும் அதிக மதிப்பெண் பெற்ற அமைப்புகளைப் பயன்படுத்தி Astra மற்றும் GPT‑5.6 Sol-ஐ ஒப்பிட்டோம். 11 ஆராய்ச்சிப் பணிகளில், Astra-இன் சராசரி மதிப்பெண் 55.0%-ஆகவும் GPT‑5.6 Sol-இன் மதிப்பெண் 41.6%-ஆகவும் இருந்தது. ஒவ்வொரு முயற்சிக்குமான மதிப்பிடப்பட்ட சராசரி நேரம், Sol-க்கு 37.0 நிமிடங்களாக இருந்த நிலையில், Astra-க்கு 19.2 நிமிடங்களாகக் குறைந்தது.³ Astra-இன் உருவாக்கத்தில் பயன்படுத்தப்பட்ட ஓர் உள் மாடல், இந்தப் பணிகளில் இன்னும் சிறப்பாக 63.7% மதிப்பெண் பெற்றது. இந்தக் கூடுதல் மேம்பாடுகளை எதிர்கால மாடல்களிலும் கொண்டுவருவதை இலக்காகக் கொண்டுள்ளோம்.

ஒவ்வொரு முயற்சியிலும் குறைவான உருவகப்படுத்தப்பட்ட நேரத்தில், பணியின் அதிகத் தேவைகளை Astra நிறைவேற்றியது. ஒரே ஆராய்ச்சிப் பணியை மாடல்கள் எவ்வாறு கையாண்டன என்பதைக் கீழே உள்ள இரண்டு காணொளித் துணுக்குகள் காட்டுகின்றன. முதலில் உள்ள Astra, சுமார் 20 நிமிடங்கள் என மதிப்பிடப்பட்ட நேரத்தில் பணியின் அளவுகோல்களில் சுமார் 94%-ஐ நிறைவேற்றியது; இரண்டாவதாக உள்ள GPT‑5.6 Sol, சுமார் 32 நிமிடங்கள் என மதிப்பிடப்பட்ட நேரத்தில் சுமார் 85%-ஐ நிறைவேற்றியது.

இந்தப் பணியில் Ironclad-இன் பங்கு, அதன் வாடிக்கையாளர்கள் நன்கறிந்த ஒரு சவாலைப் பிரதிபலிக்கிறது: ஒரு நிறுவனம் சார்ந்திருக்கும் விதிகளைப் பேணியபடியே, விதிவிலக்குகளையும் ஒப்பந்தச் செயல்முறை கையாள வேண்டும். ஒரு பணியின் நடுவில் ஏஜென்ட் அந்த விதிகளில் ஒன்றை மறந்துவிட்டால், ஒரு மென்பொருள் நிறுவனம் நம்பிக்கையுடன் அதனிடம் ஒப்படைக்கக்கூடிய பணிகள் குறைந்துவிடும். சிக்கலான ஒப்பந்தப் பணிகளில் ஏஜென்ட்களின் திறன் மேம்பட்டாலும், மனித மேற்பார்வை ஏன் இன்னும் முக்கியம் என்பதையும், முழுமையான ஒப்பந்தத் தளம் ஏன் தொடர்ந்து அவசியம் என்பதையும் இது வலியுறுத்துகிறது. எங்கள் ஆராய்ச்சியாளர்களுடன் இணைந்து செயல்படுவதன் மூலம், அடிப்படை மாடலின் உருவாக்கத்திலேயே இந்தச் சிக்கல்களை Ironclad முன்வைக்க முடிகிறது. அங்கு அவற்றை நாங்கள் இணைந்து ஆய்வு செய்ய முடியும்.

மாடல்களின் திறன் மேம்படும்போது, தனது மேலும் பல தயாரிப்புகளில் அவற்றைப் பயன்படுத்தும் வாய்ப்பை Ironclad பெறுகிறது. சட்ட மற்றும் வணிகக் குழுக்களைப் பொறுத்தவரை, அவை நம்பியிருக்கும் கட்டுப்பாடுகளைப் பேணியபடியே சிக்கலான ஒப்பந்தப் பணிகளில் அதிகப் பொறுப்பைச் செயற்கை நுண்ணறிவு ஏற்க இது வழிவகுக்கலாம்.

இன்றைய ஏஜென்ட்களால் இன்னும் நம்பகமாக முடிக்க முடியாத முக்கியத் தொழில்முறைப் பணிகளில், எங்கள் ஆராய்ச்சி மற்றும் பொறியியல் குழுக்களுடன் நேரடியாகச் செயல்பட, குறைந்த எண்ணிக்கையிலான மென்பொருள் நிறுவனங்களை அழைக்கிறோம். உங்கள் குழுவிடம் அத்தகைய பணி இருந்தால், ஒரு தெளிவான எடுத்துக்காட்டைக் காண விரும்புகிறோம்: ஏஜென்ட்டிடம் நீங்கள் என்ன செய்யச் சொல்கிறீர்கள், அது எங்கு தோல்வியடைகிறது என்பதற்கான ஆதாரம் என்ன, வெற்றிகரமான முடிவை எப்படி மதிப்பிடுவீர்கள் ஆகியவற்றைப் பகிருங்கள். அந்தப் பணியை ஆழமாக அறிந்த நபர்கள், சோதனைக்கான பாதுகாப்பான சூழல், ஆராய்ச்சிக்குப் பாதுகாப்பாகப் பயன்படுத்தக்கூடிய தரவு ஆகியவற்றையும் கூட்டாளர்களால் வழங்க முடிய வேண்டும். தோல்வியை ஆராயவும், மாடல் மேம்படுகிறதா என்பதை அளவிடவும் இது ஒரு தொடக்கப்புள்ளியாக அமையும்.

உங்கள் குழுவுக்கு இது பொருந்தினால், ஆராய்ச்சியில் இணைந்து செயல்படும் வாய்ப்பை ஆராய விண்ணப்பியுங்கள்.