முக்கிய உள்ளடக்கத்திற்கு செல்க
OpenAI

22 அக்டோபர், 2026

AI ஏற்றுக்கொள்ளல்

OpenAI-இல் முன்னணிக் களப் பொறியாளரின் பணி எது

எங்கள் பணி, அணுகுமுறை, பெருநிறுவனங்களின் கடினமான பிரச்சினைகளைத் தீர்த்து நிஜப் பலனை வழங்கும் விதம்.

எழுதியவர்: காலின் ஜார்விஸ், OpenAI முன்னணிக் களப் பொறியியல் தலைவர்

ஏற்றுகிறது…

Codex வெளியானபோது, குழுவில் ஒருவர் என்னிடம் கேட்டார்: “கடந்த சில மாதங்களாக நாம் உருவாக்கிய பயன்பாடுகளை Codex ஒரே முயற்சியில் உருவாக்கிவிட்டால், நாம் என்ன செய்வது?”

OpenAI-இல் முன்னணிக் களப் பொறியாளரின் பணி என்ன என்பதன் மையத்தை அந்தக் கேள்வி தொடுகிறது. வாடிக்கையாளர்களுடன் இணைந்து, அவர்களது மிகக் கடினமான பிரச்சினைகளைப் புரிந்துகொண்டு, அவர்கள் நம்பிப் பயன்படுத்தக்கூடிய தீர்வுகளை உருவாக்குகிறோம். நாங்கள் கற்றுக்கொள்பவை எங்கள் தயாரிப்புகளை வடிவமைக்க உதவுகின்றன; தீர்க்க வேண்டிய தெளிவான பிரச்சினைகளையும் ஆராய்ச்சிக் குழு வழங்குகின்றன.

அதுவே முன்னேற்றம். ஒவ்வொரு இரு மாதங்களுக்கும் எங்கள் உதவி இனி தேவைப்படாத நிலையை உருவாக்கினால், எங்கள் முன்னணிக் களப் பொறியாளர் குழு தனது பணியைச் சரியாகச் செய்கிறது என்று பொருள்.

“செயலாக்க இடைவெளி” என்று நாங்கள் அழைப்பதை நீக்கவே, 2025-ஆம் ஆண்டின் தொடக்கத்தில் இந்தக் குழுவை உருவாக்கினேன். மாடல்களால் செய்ய முடிவதாகத் தோன்றுவதற்கும், மக்கள் தங்கள் பணிக்காக நம்பிப் பயன்படுத்த முடிவதற்கும் இடையிலான இடைவெளியே அது.

மாடல்களைப் பயன்பாட்டுக்குக் கொண்டுவரத் தேவையான முறைமைகள் மற்றும் செயல்முறைகளைவிட, அவற்றின் திறன்கள் வேகமாக முன்னேறியுள்ளன. சில நேரங்களில் தேவைப்படுவது ஒரு தயாரிப்பாக இருக்கும். சில நேரங்களில் ஒரு மாடல் தரமதிப்பீட்டுச் சோதனையில் சிறப்பாகச் செயல்படும். ஆனால் நிஜ வாழ்க்கையின் மாறுபாடுகளையும் கட்டுப்பாடுகளையும் எதிர்கொண்டு பணியைச் செய்ய முடியாது.

வாடிக்கையாளர்களின் மிகக் கடினமான பிரச்சினைகளில் நாங்கள் கவனம் செலுத்துகிறோம். எங்கள் மாடல்களால் இன்றே பணியைச் செய்ய முடியும் இடங்களில், அந்தத் தீர்வை மீண்டும் பயன்படுத்தக்கூடியதாக்கத் தயாரிப்புக் குழுவுடனும் வாடிக்கையாளருடனும் பணியாற்றுகிறோம். திறன் போதாத இடங்களில், வாடிக்கையாளர்களுடனும் ஆராய்ச்சிக் குழுவுடனும் இணைந்து குறைபாட்டை வரையறுத்து மேம்பாடுகளைச் செய்கிறோம். ஒவ்வொரு கூட்டுப்பணியும் அடுத்த வாடிக்கையாளருக்குச் சிறந்த தொடக்க அடித்தளத்தை வழங்க வேண்டும் என்பதே எங்கள் இலக்கு ஆகும். அடுத்த முறை இதே வகைப் பிரச்சினையைத் தீர்க்க முன்னணிக் களப் பொறியாளர்கள் தேவையில்லை என்ற நிலைக்கு வாடிக்கையாளர்களின் அடிப்படை வசதிகளை உயர்த்திவிட்டால், எங்கள் பணியைச் சிறப்பாகச் செய்துள்ளோம்.

200 ஆண்டுகள் பழமையான வேளாண் நிறுவனமான John Deere எதிர்கொண்ட சவால், விவசாயிகளுக்கான தனிப்பயன் ஆலோசனையைப் பெருமளவில் வழங்குவது எப்படி என்பதுதான்.

இதற்கு ஓர் எடுத்துக்காட்டு, அதன் துல்லியமான களைக் கட்டுப்பாட்டுத் தொழில்நுட்பமான See & Spray. கேமராக்களையும் இயந்திரக் கற்றலையும் பயன்படுத்திக் களைகளை அடையாளம் கண்டு, வயல் முழுவதும் தெளிப்பதற்குப் பதிலாகக் களைகளின் மீது மட்டும் தெளிக்கிறது. இதனால் வேதிப்பொருட்களின் பயன்பாடு 70% வரை குறைகிறது.

ஆனால் இந்தப் பலன்களைப் பெற, தொழில்நுட்பத்தை எவ்வாறு அமைப்பது, பருவத்திற்குத் திட்டமிடுவது, சூழ்நிலைகள் மாறும்போது நடைமுறைகளை மாற்றியமைப்பது ஆகியவற்றை விவசாயிகள் அறிந்திருக்க வேண்டும்.

அந்த உதவியைத் தனிப்பயனாக்கிப் பெருமளவில் வழங்க, OpenAI-இன் APIகளை John Deere பயன்படுத்தியது.

விவசாயிகளின் கேள்விகளுக்கு இயல்பான மொழியில் பதிலளிக்கவும், அவர்களுக்கேற்ற அமைவு வழிகாட்டுதல்களையும் பரிந்துரைகளையும் வழங்கவும் செயற்கை நுண்ணறிவால் முடியும். முழுத் திறனுடன் செயல்படாத சூழல்களைச் சாதனங்கள் அடையாளம் காணவும், தொழில்நுட்பத்தால் தங்களுக்குக் கிடைக்கும் பலனை விவசாயிகள் புரிந்துகொள்ளவும் அது உதவும்.

இந்த வாய்ப்பு ஒரு தனிப்பட்ட உரையாடலோடு முடிவதில்லை. வாடிக்கையாளர் பயணம் முழுவதும் பொருத்தமான வழிகாட்டுதலை வழங்கி, விவசாயிகள் தங்கள் சாதனங்களைச் சிறப்பாகப் பயன்படுத்தவும், செயல்திறனையும் நிலைத்தன்மையையும் மேம்படுத்தவும் உதவ முடியும்.

இத்தகைய சவால்களைத்தான் OpenAI முன்னணிக் களப் பொறியாளர்கள் தீர்க்கப் பணியாற்றுகிறார்கள்: செயற்கை நுண்ணறிவின் திறன்களை, சிக்கலான நிஜ உலகச் சூழல்களில் நடைமுறைப் பலனை வழங்கும் முறைமைகளாக மாற்ற நிறுவனங்களுக்கு உதவுகிறார்கள்.

ஆனால் பெரும்பாலும் இந்தப் பிரச்சினைகளுக்குத் தீர்வுப் பாதை தெளிவாக இருப்பதில்லை. ஒப்புக்கொள்ளப்பட்ட அடிப்படை உண்மைகள் இல்லாமல் இருக்கலாம்; பின்பற்றுவதற்கான வழிமுறையும் இல்லை. இதுவரை இல்லாத ஒன்றை உருவாக்க அனைவரும் விரும்புகிறார்கள். அதைச் சாதிக்கத் தேவையானதைச் செய்ய விரும்புபவர்கள் குறைவு.

“போதுமான தரம்” என்பதற்கான அளவுகோலை உயர்த்திக்கொண்டே, திறமையான முன்னணிக் களப் பொறியாளர்களைக் கண்டறிவதற்கு இடையறாத சோதனைகளும் நடைமுறை முயற்சிகளும் தேவைப்பட்டுள்ளன.

அடைய வேண்டிய பலனிலிருந்து தொடங்குங்கள்

முன்னணிக் களப் பொறியாளர் குழுவின் ஒவ்வொரு அமர்வின் தொடக்கத்திலும், ஒரு மையக் கொள்கையைக் கொண்ட படவில்லையைக் காட்டுவேன்: “அடைய வேண்டிய பலனிலிருந்து தொடங்குங்கள், வெற்றிக்குத் தேவையானதைச் செய்யுங்கள், பின்னர் விரிவுபடுத்துங்கள்”.

அடைய வேண்டிய பலனிலிருந்து தொடங்குங்கள். வெற்றிக்குத் தேவையானதைச் செய்யுங்கள். பின்னர் விரிவுபடுத்துங்கள். ஹாரிசன் H1 (1735): முதலில் அதை உருவாக்குங்கள்; ஹாரிசன் H4 (1759): பிறகு அதை மேம்படுத்துங்கள்.

கவர்ச்சிகரமான ஒரு செயல்விளக்கம் நிஜ உலகில் செயல்படுமா என்று யாரும் கேட்பதற்கு முன்பே, அது பெரும் வரவேற்பைப் பெற்றுவிடலாம்.

நடைமுறைப் பயன்பாட்டில் நாங்கள் பொறுப்பேற்று உறுதியளிக்கக்கூடிய தரத்தில் வாடிக்கையாளரின் பிரச்சினையைத் தீர்ப்பதே எங்கள் பணி ஆகும்.

2025-ஆம் ஆண்டின் நடுப்பகுதியில், எங்கள் முன்னணிக் களப் பொறியாளர்கள் சுமார் 15 பேர், பெரிய குறைக்கடத்தி நிறுவன வாடிக்கையாளர் ஒருவருடன் 10-க்கும் மேற்பட்ட பயன்பாடுகளில் பணியாற்றினர். அவர்களது சரிபார்ப்புச் செயல்முறையைச் செயற்கை நுண்ணறிவை அடிப்படையாகக் கொண்டதாக மாற்றுவதே இலக்கு ஆகும். இதில் அடங்கியவை:

  • குறிப்பிட்ட இலக்குகளுக்கான சோதனைகளை உருவாக்குதல்

  • மூலக் காரணப் பகுப்பாய்வும் பிழைதிருத்தமும்

  • கட்டமைப்பு வடிவமைப்பு உதவியாளர்

இந்தத் துறையில் ஒரு திட்டப்பணிக்கான உழைப்பில் சுமார் 70% சரிபார்ப்புக்கே தேவைப்படலாம். சாத்தியக்கூறுகள் மிகப் பெரியவை; தொடங்குவதற்கான வாய்ப்புகளும் பல இருந்தன.

சில முன்னணிக் களப் பொறியாளர்கள் சில நாள்களுக்கு முன்புதான் OpenAI-இல் சேர்ந்திருந்தனர். அவர்கள் குறைக்கடத்தித் துறையில் அதற்கு முன் பணியாற்றியதே இல்லை. அவர்கள் வாடிக்கையாளரின் சரிபார்ப்புக் குழுவுடன் இணைந்து பணியாற்றினர்; ஓய்வு நேரத்தில் சிப் வடிவமைப்பைக் கற்றனர். பயனுள்ள சோதனைகளை உருவாக்கவும் சிப்களின் செயலிழப்புகளைச் சரியாகக் கண்டறியவும் செயற்கை நுண்ணறிவால் முடியுமா என்பதைச் சோதிக்க, பொறியாளர்களுடன் சேர்ந்து மதிப்பீடுகளை உருவாக்கினர்.

அவ்வாறு கற்றுக்கொண்டே, ஒவ்வொரு பயன்பாட்டுக்கும் தனிப்பயன் சூழல் பணி அமைவுகளை உருவாக்கினோம். முதல் 3–6 மாதங்களில், அவை அனைத்தும் நடைமுறைப் பயன்பாட்டுக்கு வந்தன; பயனர்களும் அவற்றைப் பயன்படுத்தத் தொடங்கினர். அந்த உழைப்பின் பலனை அளவீடுகளில் கண்டோம்:

  • செயற்கை நுண்ணறிவு மூலம் குறிப்பிட்ட இலக்குகளுக்கான சோதனைகளை உருவாக்கியதில் சுமார் 48% நேரம் சேமிக்கப்பட்டது.

  • கெர்னலை உகப்பாக்கியதில் செயல்திறன் மேம்பாட்டின் இடைநிலை மதிப்பு 22%-ஆக இருந்தது.

  • வாரக்கணக்கான பிழைதிருத்தப் பணி சில மணிநேரங்களாகக் குறைந்தது

இவை அனைத்தையும் விளக்கிக் காட்டியபோது, தலைமை வன்பொருள் அதிகாரி கேட்டார்: “இங்கே வருவதற்கு முன் நீங்கள் சிப் வடிவமைப்பாளர்களாகப் பணியாற்றினீர்களா?”

எங்கள் முன்னணிக் களப் பொறியாளர்கள் முதல் நாளிலேயே அந்தத் துறையை அறிந்திருக்க வேண்டியதில்லை. ஆனால் அதைக் கற்றுக்கொள்வது அவர்களது பொறுப்பு.

நிரலாக்க உதவியாளர்களால் மென்பொருளை விரைவாக உருவாக்க முடிவதால், வாடிக்கையாளரின் வணிகத்தைப் புரிந்துகொள்வது இன்னும் முக்கியமாகிறது. பல்துறை அறிவுள்ளவர்களையும் குறிப்பிட்ட துறையின் நிபுணர்களையும் இணைத்துக் குழுக்களை உருவாக்குகிறோம்.

சரியான முடிவுகளை எடுக்கப் போதுமான அறிவும், தற்போதைய நிலை குறித்த அனுமானங்களைக் கேள்விக்குட்படுத்தும் ஆர்வமும் தேவை.

எடுத்துக்காட்டாக, உயிர் அறிவியலில் எங்கள் முன்னணிக் களப் பொறியாளர்களின் அறிவியல் பின்னணி, ஆராய்ச்சியாளர்களின் நம்பிக்கையைப் பெற உதவுகிறது. மருத்துவச் சோதனைக்கு முந்தைய மருந்துக் கண்டுபிடிப்புப் பணிகளில் இந்த ஆராய்ச்சியாளர்கள் ஈடுபடுகின்றனர். மருந்து இலக்குகளைச் சரிபார்த்து முன்னுரிமைப்படுத்துதல், மரபணு வெளிப்பாட்டைப் பகுப்பாய்வு செய்தல், வேதித் தொகுப்பு வழித்தடங்களை மீளுருவாக்குதல் போன்றவை இதில் அடங்கும். அந்த நிபுணத்துவம், இந்தப் பணிப்பாய்வுகளை எவ்வாறு மேம்படுத்தலாம் என்பது குறித்த அறிவார்ந்த முடிவுகளில் பங்களிக்க அவர்களுக்கு உதவுகிறது.

வெற்றியை மீண்டும் பெற வழிவகுக்கவும்

இந்தப் பணிப்பாய்வுகள் பயனளிக்கும் என்பதை நிரூபித்திருந்தோம். ஆனால் ஒவ்வொன்றையும் மற்றொரு குழுவுக்கு விரிவுபடுத்த இன்னும் அதிகமான தனிப்பயன் ஒருங்கிணைப்புப் பணி தேவைப்பட்டது. அந்தப் பலன்களைத் தக்கவைத்தபடியே மென்பொருளைச் செயல்படுத்துவதையும் பராமரிப்பதையும் எளிதாக்குவது அடுத்த சவாலாக இருந்தது.

முன்னணிக் களப் பொறியாளர், இதுவரை தீர்க்கப்படாத கடினமான பிரச்சினைக்கு முற்றிலும் புதிய தீர்வை உருவாக்குகிறார். தொழில்நுட்பம் முன்னேறும்போது அதை மீண்டும் பயன்படுத்தக்கூடிய தொகுப்பாக மாற்றுகிறார்.

அதற்குள் Codex-இன் திறன்கள் வளர்ந்திருந்தன. ஒரு முன்னணிக் களப் பொறியாளர், அதை மையமாகக் கொண்டு தங்கள் செயலியை மீண்டும் உருவாக்கிச் சோதித்தார். பின்னர் குழுவுடன் இணைந்து, Codex-ஐ மையமாகக் கொண்ட பொதுவான சூழல் பணி அமைவுக்குப் பயன்பாடுகளை மாற்றினார்.

தனிப்பயன் செயலிகள், பொதுவான Codex அடிப்படைக் கூறுகளைக் கொண்டு உருவாக்கப்பட்ட செருகுநிரல்களாகவும் திறன்களாகவும் மாறின. இடைமுகமாகவும் Codex மாறியது. இதனால் ஒவ்வொரு பயன்பாட்டிற்காகவும் நாங்கள் உருவாக்கிய தனித்தனி முனையப் பயனர் இடைமுகங்களையும் கட்டளைவரி இடைமுகங்களையும் நீக்க முடிந்தது.

ஒவ்வொரு திட்டப்பணியிலிருந்தும் சுமார் 90% தனிப்பயன் நிரலை நீக்க முடிந்தது. இந்தப் பணிப்பாய்வுகளை நாங்கள் உருவாக்கிய, பராமரித்த, விரிவுபடுத்திய விதத்தை இது மாற்றியது:

  • Codex-இல் மையப்படுத்திச் செய்யப்படும் மேம்பாடுகளிலிருந்து பயனடைய முடிந்தது. இதனால் ஒவ்வொரு பயன்பாட்டிற்கும் கூறுகளை இணைக்கத் தேவையான நிரலின் அளவு குறைந்தது

  • திறன்களாகவும் செருகுநிரல்களாகவும் முக்கியச் செயல்பாடுகள் தொகுக்கப்பட்டன. இதனால் அவற்றைப் பகிர்வதும், செயற்கை நுண்ணறிவு மேன்மை மையம் மூலம் மையப்படுத்திக் கட்டுப்படுத்துவதும் எளிதானது. இதனால், ஒரு குழுவிலிருந்து அடுத்த குழுவுக்கு விரிவுபடுத்துவது மிகவும் எளிதாக அமைய முடிந்தது: புதிய இணைப்பான்கள் அல்லது MCP சேவையகங்களைப் பொருத்தி, புதிய மதிப்பீடுகளை உருவாக்கி, பணியைத் தொடங்கினால் போதும். மதிப்பீடுகளை உருவாக்குவதற்கும் எங்களிடம் ஒரு திறன் இருந்தது.

  • ஆகஸ்ட் 2026-இல் ஓர் எடுத்துக்காட்டில், ஆரம்பச் செயலாக்கத்திற்கு இரு மாதங்கள் தேவைப்பட்டன. அந்தத் தீர்வை இரண்டாவது குழுவுக்கு விரிவுபடுத்த ஒரு நாள் மட்டுமே தேவைப்பட்டது. நாங்கள் விரிவுபடுத்தியபோது, அடுத்தடுத்த குழுக்கள் இன்னும் விரைவாகப் பயன்படுத்தத் தொடங்கின. இந்தப் போக்கு தொடர்கிறது: ஆகஸ்ட் 2026-இல் ஒரு பயன்பாட்டின் ஆரம்பச் செயலாக்கத்திற்கு 2 மாதங்கள் தேவைப்பட்ட நிலையில், இரண்டாவது குழுவுக்கு 1 நாள் மட்டுமே தேவைப்பட்டது.

முன்பு: சிறப்புத் திறன் கொண்ட ஏஜென்ட்களும் தனிப்பயன் கருவிகளும் உள்ள பல-ஏஜென்ட் கட்டமைப்பு. பின்பு: Codex, திறன்கள், MCP, நிரல் ரிபாசிட்டரி ஆகியவற்றை மையமாகக் கொண்ட எளிமையான கட்டமைப்பு.

எங்கள் உதவி இனி தேவைப்படாத நிலையை உருவாக்குவதற்கான ஒரு வழி இதுதான். நடைமுறைப் பயன்பாட்டை எட்ட நாங்கள் செய்த பணி, எது முக்கியம் என்பதைத் தெளிவுபடுத்தியது. அடிப்படைத் தயாரிப்பு மேம்பட்டபோது, எங்கள் தனிப்பயன் செயலாக்கத்தின் பெரும்பகுதியை மாற்றியமைத்தாலும், அது வழங்கிய பலனைத் தக்கவைக்க முடிந்தது.

அதனால்தான் செயல்களின் வரிசை முக்கியம். LLMகள் விரைவாக உருவாக்க உதவுகின்றன. அந்த வேகத்தைப் பயன்படுத்திப் பயனுள்ள ஒன்றைப் பயனர்களிடம் சேருங்கள்; நடைமுறையில் எது நிலைத்து நிற்கிறது என்பதைக் கற்றுக்கொள்ளுங்கள்; பின்னர் வெற்றிகரமாகச் செயல்படுவதை விரிவுபடுத்துங்கள்.

இதே கொள்கை அனைத்து வாடிக்கையாளர் கூட்டுப்பணிகளுக்கும் பொருந்தும்.

நிறுவனங்களுக்கான குரல் மற்றும் அரட்டை ஏஜென்ட்கள் குறித்த எங்கள் தயாரிப்பான OpenAI Presence, உண்மையான வாடிக்கையாளர் நிறுவல்களிலிருந்து உருவானது. இந்தப் பணி Swarm⁠(புதிய சாளரத்தில் திறக்கும்) உடன் தொடங்கி, இதன் வழியாகப் பரிணமித்தது: Agents API-ஐப் பயன்படுத்தி, இன்று ஒரு வாடிக்கையாளர் தனது அழைப்புகளில் பாதிக்கும் மேற்பட்டவற்றை செயற்கை நுண்ணறிவு மூலம் கையாளுகிறார்.

அந்தச் செயலாக்கங்களை உற்பத்திக்குக் கொண்டுவந்ததன் மூலம், எந்தச் சிக்கல்களுக்குத் தனிப்பயன் தீர்வு தேவை என்பதையும், எந்த அடிப்படைக் கூறுகளை மற்ற அணிகள் பயன்படுத்தலாம் என்பதையும் நாங்கள் கற்றுக்கொண்டோம். நாங்கள் அந்த அடிப்படைக் கூறுகளை Presence-இல் கொண்டு வந்தோம், இதன் மூலம் உருவாக்குநர்கள் அடிப்படை உள்கட்டமைப்பை மீண்டும் உருவாக்கத் தேவையில்லாமல், ஒழுங்குபடுத்தப்பட்ட பணிப்பாய்வுகளைத் தானியக்கமாக்குவதை எளிதாக்கினோம். ஒவ்வொரு வெளியீடும் தயாரிப்பை வடிவமைக்க உதவியதுடன், அடுத்த வாடிக்கையாளருக்கு ஒரு சிறந்த தொடக்கப் புள்ளியையும் வழங்கியது.

உடன்Crete-இன் கணக்கியல் நிறுவனங்களுக்காக Tax செயற்கை நுண்ணறிவை உருவாக்குவதற்கு, Thrive Holdings, OpenAI FDEகள் மற்றும் ஆராய்ச்சியாளர்கள், பொறியாளர்கள் மற்றும் கணக்காளர்களுடன் இணைந்து பணியாற்றினர். அதன் முன்னோட்டத்தின் போது, Tax செயற்கை நுண்ணறிவானது 7,000 வரிக் கணக்குகளைச் செயலாக்கி, த்ரூபுட் சுமார் 50% அதிகரித்தது.

வாடகைச் சொத்து வருவாய்களைத் தானியக்கமாக்குவது மிகவும் கடினமான சவால்களில் ஒன்றாக இருந்தது; 90% துல்லியத்தையும் மீளப்பெறுதலையும் எட்டுவதற்கு, ஆறு வார கால பொறியியல் மற்றும் தொழில்முறை மதிப்பாய்வு தேவைப்பட்டது. இந்தப் பணி, Tax செயற்கை நுண்ணறிவை மற்ற சிக்கலான வரி அட்டவணைகளுக்கு விரிவுபடுத்துவதை எளிதாக்கும் மறுபயன்பாட்டு வடிவங்களை உருவாக்கியது.

தற்போது அந்தக் குழுக்கள், பயிற்சியாளர்களின் பின்னூட்டம் மற்றும் நிஜ உலகப் பயன்பாட்டின் மூலம் மேம்படும் முறைமைகளை உருவாக்கும் அதே அணுகுமுறையை, கணக்குப்பதிவு, தணிக்கை மற்றும் தகவல் தொழில்நுட்ப ஆதரவிற்கும் பயன்படுத்துகின்றன.

Tax செயற்கை நுண்ணறிவு முன்னோட்டச் சோதனையில் த்ரூபுட்டானது அடிப்படைக் குறியீட்டு மதிப்பான 100-இலிருந்து சுமார் 150-ஆக உயர்கிறது. அதே வளங்களைக் கொண்டு சுமார் 50% அதிகப் பணியை முடிக்கிறது.

நுண்ணறிவுத் திறனில் குறைபாடுகள் தெரியும்போதே சரிசெய்யுங்கள்

சில நேரங்களில் மேம்பட்ட தயாரிப்பு, நாம் உருவாக்கியதை எளிமைப்படுத்த உதவுகிறது. ஆனால் வேறு சில நேரங்களில், அந்தப் பணியைச் செய்யும் திறன் மாடலுக்கே இன்னும் இருப்பதில்லை.

இன்றைய மாடல்களால் ஏற்கெனவே சாத்தியமானவற்றை மட்டுமே உருவாக்கினால், ஆராய்ச்சிக் குழு அடுத்ததாகச் சரிசெய்ய வேண்டிய நுண்ணறிவுத் திறன் குறைபாடுகளை நம்மால் கண்டறிய முடியாது. எனவே, எங்களது முக்கியமான கூட்டுப்பணிகள் பலவும் அந்த வரம்புகளிலிருந்தே தொடங்குகின்றன. வாடிக்கையாளர், முன்னணிக் களப் பொறியாளர், ஆராய்ச்சிக் குழு ஆகியோர் இணைந்து அவற்றைக் கடக்க உறுதியுடன் செயல்படுகின்றனர்.

பெரிய தொலைத்தொடர்பு நிறுவன வாடிக்கையாளர் ஒருவருடன் இணைந்து வாடிக்கையாளர் சேவைத் தளத்தை ஏற்கெனவே உருவாக்கியிருந்தோம். அதை குரல்வழிச் சேவைக்கும் விரிவுபடுத்த அவர்கள் விரும்பினர்.

அவர்களது வாடிக்கையாளர் சேவையில் சுமார் 90% குரல்வழியாகவே நடந்தது. அரட்டையுடன் ஒப்பிடும்போது, இந்தக் கோரிக்கைகளை மனித உதவியின்றித் தீர்ப்பதற்கான செலவு அதிகமாக இருந்தது. உச்சரிப்பு வேறுபாடுகள், குரல் தொனி, பதிலளிக்கும் நேரம், துல்லியம் ஆகியவற்றை நடைமுறைப் பயன்பாட்டுக்கான தரத்திற்குக் கொண்டுவருவதிலும் பல புதிய தொழில்நுட்பச் சவால்கள் இருந்தன. இதைச் சரியாகச் செயல்படுத்துவது அவர்களது வணிகத்தில் கணிசமான மாற்றத்தை ஏற்படுத்தும்.

பணியின் வரம்பை நிர்ணயிக்கும்போது, நடைமுறைப் பயன்பாட்டில் இந்தப் பணியைச் செய்ய முடியுமா என்பதை அறிய நாங்கள் பயன்படுத்திய முக்கிய மதிப்பீடுகளில் எங்கள் மாடல் சுமார் 60% மதிப்பெண் பெற்றது. அதன் திறன்களின் எல்லையை நாங்கள் எட்டியிருந்தோம். வாடிக்கையாளர் சேவைச் சூழல்களில் ஃபங்க்ஷன் காலிங் மற்றும் அறிவுறுத்தல்களைப் பின்பற்றும் திறனை மேம்படுத்த வேண்டியிருந்தது.

இதை வாடிக்கையாளரிடம் விளக்கி, ஆராய்ச்சிக் குழுவையும் பணியில் இணைத்தோம். வாடிக்கையாளருடன் முன்னணிக் களப் பொறியாளர் இணைந்து தளத்தை உருவாக்கி, மாடல் என்ன செய்ய வேண்டும் என்பதை வரையறுத்தார். திறன் குறைபாடுகளைச் சரிசெய்ய ஆராய்ச்சிக் குழு பணியாற்றியது. மாடலின் அடுத்தடுத்த பதிப்புகள் மூலம், வாடிக்கையாளரின் தேவைகளுக்கு ஏற்ப முன்னேற்றம் உள்ளதா என்பதைச் சோதிக்க முடிந்தது.

ஆறு மாதங்களில், முக்கிய மதிப்பீடுகளில் செயல்திறன் சுமார் 60%-இலிருந்து 80%-ஆகவும், பின்னர் 90%-க்கு மேலாகவும் உயர்ந்து, நடைமுறைப் பயன்பாட்டுக்குத் தேவையான நிலையை எட்டியது.

Audio Big Bench துல்லியம், மாடலின் ஐந்து பதிப்புகளில் படிப்படியாக உயர்ந்து, டிசம்பர் 2024-இல் 65.6%-ஆக இருந்த நிலையிலிருந்து மே 2026-இல் 92.29%-ஆகிறது.

இதன் விளைவாக உருவான குரல் மாடல், இப்போது அந்த வாடிக்கையாளரின் செயலாக்கத்தையும், பிற தனிப்பயன் வாடிக்கையாளர் சேவைச் செயலாக்கங்களையும், Presence மூலம் நிர்வகிக்கப்படும் செயலாக்கங்களையும் ஆதரிக்கிறது. ஒரு வாடிக்கையாளரின் வணிகத்தில் எதிர்கொண்ட பிரச்சினை, பலருக்கும் பயனளிக்கக்கூடிய மேம்பாடுகளை அடையாளம் காண உதவியது.

ஒவ்வொருவரின் பங்களிப்பும் முக்கியமானது. மாடலால் இன்னும் தீர்க்க முடியாத ஒரு பிரச்சினையில் இணைந்து பணியாற்ற வாடிக்கையாளர் உறுதியளித்தார். வாடிக்கையாளருடன் முன்னணிக் களப் பொறியாளர் நெருக்கமாகப் பணியாற்றி, பிரச்சினையை வரையறுத்து, தளத்தை உருவாக்கி, தொடக்கம் முதல் இறுதி வரை கூட்டுப்பணியை வழிநடத்தினார். மாடலின் அடிப்படைத் திறன்களை ஆராய்ச்சிக் குழு மேம்படுத்தியது.

எங்கள் உதவி இனி தேவைப்படாத நிலையை உருவாக்குவதற்கான மற்றொரு வழி இதுதான்: இன்றைய மாடல்களால் தீர்க்க முடியாத பிரச்சினையை, எதிர்கால மாடல்கள் வழங்கக்கூடிய திறனாக மாற்ற உதவுவது. எங்கள் பணியின் பலன், ஒரு வாடிக்கையாளருடன் நாங்கள் செலவிடும் நேரத்தைத் தாண்டியும் நீடிக்கிறது.

இன்னும் கடினமான பிரச்சினையைத் தேடுங்கள்

மக்களின் அன்றாடப் பணிகளில் செயற்கை நுண்ணறிவைப் பயனுள்ளதாக்க உதவவே நான் OpenAI-இல் சேர்ந்தேன். அந்த நோக்கமே இன்றும் குழுவை வழிநடத்துகிறது. LLM உருவாக்கத்தில் பெரும்பாலான நேரங்களில் ஒக்காமின் சவரக்கத்திக் கொள்கை பொருந்தும் என்று குழுவிடம் அடிக்கடி சொல்வேன்—மிக எளிமையான தீர்வே சிறந்தது. அதிநவீன ஆராய்ச்சியைத் தனது அடையாளமாகக் கொண்ட நிறுவனத்தில், மிகைப்படுத்தல்களால் களங்கமடைந்த ஒரு துறையில் நாம் பணியாற்றுகிறோம். களத்தில் பணியாற்றுபவர்கள் நம்பிப் பயன்படுத்தக்கூடிய, உறுதியாகச் செயல்படும் தீர்வுகளை உருவாக்கவே விரும்புகிறோம்.

ஒவ்வொரு கூட்டுப்பணியும் அடுத்து வருவதை மேம்படுத்த வேண்டும் என்பதே இலக்கு ஆகும்: எளிதாகச் செயல்படுத்தக்கூடிய தயாரிப்பு, இன்னும் கடினமான பணியைக் கையாளக்கூடிய மாடல் அல்லது அடுத்த வாடிக்கையாளருக்குக் குறைவான தனிப்பயன் பணி.

நீங்கள் தீர்க்க விரும்பும் கடினமான பிரச்சினை இருந்தால், உங்களுடன் பணியாற்ற ஆவலாக இருக்கிறோம். அத்தகைய பிரச்சினைகளைத் தீர்க்க உதவ விரும்பினால், எங்களுடன் இணைய உங்களை வரவேற்கிறோம்.

அப்படியானால், நாங்கள் பல மாதங்கள் செலவிட்டு உருவாக்கிய பணியை Codex கையாள முடிந்தால், நாங்கள் என்ன செய்வோம்?

இன்னும் கடினமான பிரச்சினையைத் தேடிச் செல்வோம்.

ஆசிரியர்/எழுத்தாளர்

Colin Jarvis