நம்பகமான AI நிர்வாக உதவியாளரை Fyxer எப்படி உருவாக்கியது

பல தொழில்முறையாளர்களுக்கு, வேலை என்பது இன்பாக்ஸ்கள், கூட்டங்கள், செய்திகள் மற்றும் செயலிகள் முழுவதும் உரையாடல்களையும் உறுதிமொழிகளையும் கண்காணித்து வைத்திருப்பதைக் குறிக்கிறது. உறுதியான சூழல் இல்லாமல், அந்த வாக்குறுதிகள் நிறைவேறாமல் போய், திட்டங்களையும் உறவுகளையும் சேதப்படுத்தக்கூடும்.

Fyxer, வேலை பல கருவிகளுக்கு இடையே நகரும்போது அதன் தொடரை பின்தொடரும் ஒரு AI நிர்வாக உதவியாளரை உருவாக்கியது. இது சமீபத்திய OpenAI மாடல்களையும் 500,000 மணிநேரத்துக்கும் அதிகமான நிர்வாக உதவியாளர் பணிப்பாய்வுகளையும் இணைத்து, உண்மையான பயனர் கருத்துகள் மூலம் மேம்படும் டஜன் கணக்கான சிறப்புமிக்க மாடல்களுக்கு இடையில் வேலையைப் பிரிக்கிறது.

அது செயல்படுவதை மிகத் தெளிவாகக் காண்பதற்கான இடங்களில் மின்னஞ்சலும் ஒன்றாகும். இருவர் ஒரே மின்னஞ்சலைப் பெறலாம்; ஆனால் அவர்களுக்கிடையேயான உறவு, முன்பு என்ன நடந்தது, ஒவ்வொருவரும் எதைச் சாதிக்க முயல்கிறார்கள் என்பவற்றைப் பொறுத்து, அவர்களுக்கு முற்றிலும் வேறுபட்ட பதில்கள் தேவைப்படலாம். அதனால், எளிமையாகத் தோன்றும் ஒரு பணி AI-க்கு எதிர்பார்ப்பதைவிடக் கடினமானதாகிறது.

“மொராவெக்கின் முரண்பாடு என்று ஒன்று உள்ளது,” என விளக்குகிறார் Fyxer இணை நிறுவனர் Archie Hollingsworth. “மனிதர்களுக்கு எளிதாக இருப்பவை கணினிகளுக்கு கடினம்; கணினிகளுக்கு எளிதாக இருப்பவை மனிதர்களுக்கு கடினம்.” ஒவ்வொரு பயனரும் எப்படிப் பணிபுரிகிறார்கள் என்பதைக் கற்றுக்கொள்வதன் மூலம் Fyxer அந்தச் சிக்கலான தன்மையைக் கையாள்கிறது; எனவே, எது முக்கியம் என்பதை ஏற்கனவே அறிந்த உதவியாளரைப் போல அது பதிலளிக்க முடியும்.

அதிநவீன OpenAI மாடல்கள், மின்னஞ்சலைப் புரிந்துகொள்வது மற்றும் சரியான சூழலைக் கண்டறிவது முதல் வரைவை உருவாக்குவது வரை, அனுபவத்தின் முக்கிய பகுதிகளுக்கு ஆதரவளிக்கின்றன. Fyxer, அதன் உள் அளவுகோல்களில் OpenAI-யின் மாடல்கள் சிறந்த செயல்திறனை வழங்கியதாலும், தொனி மற்றும் நோக்கம் போன்ற அகநிலைப் பணிகளுக்கு வலுவான நுண்சரிசெய்தல் திறன்களை வழங்கியதாலும், ஒயிட்போர்டிங் அமர்வுகள் மற்றும் தொழில்நுட்ப ஒத்துழைப்பு மூலம் நேரடி பொறியியல் ஆதரவை வழங்கியதாலும் OpenAI-ஐத் தேர்ந்தெடுத்தது.

மிகவும் சூழல்சார் AI தயாரிப்புகளை உருவாக்கும் நிறுவனர்களுக்கு Fyxer-ன் அணுகுமுறை மூன்று பாடங்களை வழங்குகிறது:

Fyxer தனது அமைப்பை 30–50 சிறப்பு மாடல்களை மையமாகக் கொண்டு உருவாக்கியது; ஒவ்வொன்றும் மின்னஞ்சல் பணிப்பாய்வின் குறுகிய ஒரு பகுதிக்குப் பொறுப்பானது. மின்னஞ்சலை ஒரே ஒரு உரை உருவாக்கும் பணியாகக் கருதுவதற்குப் பதிலாக, Fyxer அந்தச் சிக்கலை முன்கணிப்புகளின் அமைப்பாகப் பிரிக்கிறது; அதாவது, ஒரு செய்திக்குப் பதில் தேவையா என்பதைத் தீர்மானிப்பது அல்லது பயனரின் தொனி மற்றும் சூழலுக்குப் பொருந்தும் பதில்களை வரைவது போன்றவை.

“ஒரு நல்ல மின்னஞ்சலை எழுதுமாறு ஒரு மாடலைக் கேட்பதைவிட, சிக்கலை பல சிறிய மாடல்களாகப் பிரிப்பது மிகவும் சிறப்பாகச் செயல்படுகிறது,” என்று ஹாலிங்ஸ்வொர்த் விளக்குகிறார்.

ஒரு புதிய மின்னஞ்சல் வரும்போது, ஒரு பதில் முடிவு மாடல் அந்தச் செய்தியை வகைப்படுத்துகிறது: இதற்குப் பதிலளிக்க வேண்டுமா, ஒரு திட்டமிடல் நடவடிக்கை எடுக்க வேண்டுமா, அல்லது பயனர் பார்க்க வேண்டிய ஒரு சாதாரண தகவலா?

பதில் தேவைப்பட்டால், கூடுதல் மாடல்கள் மின்னஞ்சலின் நோக்கத்தைப் பகுப்பாய்வு செய்து, அந்தத் தொடர்பின் சாத்தியமான முடிவைக் கணிக்கின்றன. இந்த மாடல்கள், உரையாடல் ஒரு சந்திப்பைத் திட்டமிடுவதை நோக்கி நகர்கிறதா, ஒரு கோரிக்கையைத் தீர்ப்பதை நோக்கி நகர்கிறதா அல்லது நீண்டகால உறவுத் தொடரைத் தொடர்கிறதா போன்ற வடிவங்களைத் தீர்மானிக்கின்றன.

Memory (நினைவகம்) என்பது கணினி அமைப்பின் மிக முக்கியமான பாகங்களில் ஒன்றாகும். உரையாடல்கள் முழுவதும் எந்த விவரங்கள் நீடிக்க வேண்டும், எவை ஒரு பரிமாற்றத்திற்குப் பிறகு மறைய வேண்டும் என்பதை Fyxer தீர்மானிக்க வேண்டும். புதிய மின்னஞ்சல் வரும்போது, மீட்டெடுப்பு மாடல்கள் அதைச் சேமிக்கப்பட்ட தொடர்புகளுடன் ஒப்பிட்டு, அந்த நபருக்கும் உரையாடல் தொடருக்கும் மிகவும் தொடர்புடைய மெமரிகளை முன்னிறுத்துகின்றன.

Fyxer-இன் அமைப்பு முழுவதும் உள்ள படிகளை OpenAI மாடல்கள் இயக்குகின்றன. "மின்னஞ்சலைப் பகுப்பாய்வு செய்து அது உண்மையில் எதைப் பற்றியது என்பதைப் புரிந்துகொள்வது முதல், நாங்கள் சேர்க்க விரும்பும் உள்ளடக்கத்தை உள்ளிழுத்து மறுவரிசைப்படுத்துவது, மற்றும் உண்மையான மின்னஞ்சல் உருவாக்கம் வரை அனைத்திற்கும் நாங்கள் OpenAI மாடல்களைப் பயன்படுத்துகிறோம்," என்கிறார் Shantsila.

தனது AI தயாரிப்பை அறிமுகப்படுத்துவதற்கு முன்பு, Fyxer பல ஆண்டுகளாக மனித ஆற்றலால் இயங்கும் ஒரு நிர்வாக உதவியாளர் சேவையை நடத்தி வந்தது. காலப்போக்கில், உண்மையான உதவியாளர்கள் தொழில்முறைத் தகவல்தொடர்பை எவ்வாறு கையாளுகிறார்கள் என்பதைப் பதிவுசெய்யும் வகையில், 500,000 மணி நேரத்திற்கும் மேலான குறிப்புகள் இடப்பட்ட நிர்வாகப் பணிப்பாய்வுகளைக் கொண்டு உருவாக்கப்பட்ட ஒரு தரவுத்தொகுப்பை அந்தக் குழு திரட்டியது.

அந்த எடுத்துக்காட்டுகள், வேலையிலிருந்தே பெறப்பட்ட பயிற்சித் தரவை Fyxer-க்கு வழங்கின. ஒரு நல்ல பதிலுக்குப் பின்னால் உள்ள நுட்பமான முடிவுகளை அவர்கள் படம்பிடித்தனர்: எப்போது விரைவாகப் பதிலளிப்பது, எப்போது காத்திருப்பது, எந்த முந்தைய உரையாடல் முக்கியமானது, மேலும் ஒரே கோரிக்கைக்கு ஒருவரிடமிருந்து மற்றொருவருக்கு எவ்வாறு மாறுபட்ட பதில் தேவைப்படலாம் என்பனவற்றை அவர்கள் விளக்கினர்.

Fyxer, பயிற்சிச் செலவைக் கட்டுப்படுத்திக்கொண்டே பணிக்கேற்ற மாடல் வகைகளை உருவாக்க, அதன் பரந்த அமைப்பு முழுவதும் சூப்பர்வைஸ்ட் ஃபைன்-ட்யூனிங் மற்றும் லோ-ரேங்க் அடாப்டேஷன் (LoRA)-ஐப் பயன்படுத்துகிறது. தயாரிப்பு மேம்பாட்டின் ஆரம்ப கட்டத்தில், அதிக துல்லியம் தேவைப்பட்ட பணிகளுக்கு குழு OpenAI இன் ஃபைன்-ட்யூனிங் தளத்தைப் பயன்படுத்தியது. சமீபத்தில், புதிய செக்பாயிண்ட்டை உற்பத்திச் சூழலுக்கு கொண்டு வர Fyxer, OpenAI-ன் நிர்வகிக்கப்படும் ஃபைன்-ட்யூனிங் குழுவுடன் இணைந்து பணியாற்றியது.

எந்தவொரு மாடலையும் பயன்படுத்துவதற்கு முன்பு, வரைவு தயாரித்தல், வகைப்படுத்துதல் மற்றும் முன்னுரிமையளித்தல் உள்ளிட்ட தனது சொந்த மின்னஞ்சல் பணிகளை மையமாகக் கொண்டு உருவாக்கப்பட்ட சரிபார்ப்புத் தொகுப்புகளில் Fyxer அதை மதிப்பிடுகிறது. சிறந்த தேர்வு பணியைப் பொறுத்து மாறுபடக்கூடும் என்பதால், குழு பதிலளிப்பு நேரம் மற்றும் செலவுடன் சேர்த்து துல்லியத்தையும் பரிசீலிக்கிறது.

பயன்பாட்டில் அறிமுகப்படுத்தப்பட்டதும், Fyxer-இன் அமைப்பு உண்மையான பயனர் கருத்துகளின் மூலம் தொடர்ந்து மேம்படுகிறது. ஒருவர் அனுப்புவதற்கு முன் ஒரு வரைவில் திருத்தம் செய்யும்போது, அசல் மற்றும் இறுதி மின்னஞ்சலுக்கு இடையிலான வேறுபாடு அவர்கள் எந்த வெளியீட்டை விரும்பினர் என்பதைக் காட்டுகிறது.

Fyxer, Direct Preference Optimization (DPO)-ஐப் பயன்படுத்தி அந்த ஒப்பீடுகளைப் பயிற்சித் தரவாக மாற்றுகிறது. ஒவ்வொரு எடுத்துக்காட்டையும் கைமுறையாக லேபிளிடுவதற்குப் பதிலாக, அசல் வரைவு மற்றும் பயனர் திருத்திய பதிப்பு ஆகிய வெளியீட்டு ஜோடிகளிலிருந்து மாடல் கற்றுக்கொள்கிறது.

ஒவ்வொரு வரைவு மாற்றமும் பின்னர் A/B சோதனைக்கு உட்படுத்தப்படுகிறது. புள்ளிவிவரப்படி குறிப்பிடத்தக்க முன்னேற்றத்தை அளிக்கும்போது மட்டுமே Fyxer புதிய பதிப்பை வெளியிடுகிறது. அதன் பயனர் எண்ணிக்கை காரணமாக, குழு சில நேரங்களில் ஒரு நாளுக்குள் அந்த வரம்பை எட்ட முடியும்.

இன்று, Fyxer-இன் AI-உருவாக்கிய வரைவுகளில் 53% எழுதப்பட்டபடியே ஏற்கப்படுகின்றன. அதாவது, உண்மையான உரையாடல்களின் பெரும்பகுதியில் இந்த அமைப்பு நோக்கத்தையும் தொனியையும் சரியாகக் கணிக்கிறது. 2025-ஆம் ஆண்டில் மட்டும், Fyxer இன் ஆண்டுதோறும் திரும்பப் பெறும் வருவாய் 1 மில்லியன் டாலரிலிருந்து 32 மில்லியன் டாலராக வளர்ந்தது.

ஹாலிங்ஸ்வொர்த்தைப் பொறுத்தவரை, வாடிக்கையாளர்களைத் தக்கவைத்துக்கொள்வதே வலுவான அறிகுறி. பல Fyxer வாடிக்கையாளர்கள் ஆழமான தொழில்நுட்ப அறிவு கொண்டவர்கள் அல்ல; சிலருக்கு, தினமும் அவர்கள் பயன்படுத்தும் முதல் AI அமைப்பு Fyxer ஆகும்.

எதிர்காலத்தை நோக்கி, Fyxer உறவுகள், விருப்பத்தேர்வுகள் மற்றும் தொடர்ந்து நடைபெறும் வேலைத் தொடர்களைப் பற்றிய ஆழமான புரிதலை உருவாக்கி வருகிறது. அவர்களின் உதவியாளர், பதில்களை வரைவு செய்வதையும் தாண்டி, ஒரு பயனரின் தகவல் தொடர்பு மற்றும் ஒருங்கிணைப்புப் பணிச்சுமையின் பெரும்பகுதியை நிர்வகிக்கக்கூடிய ஒரு விரிவான AI உதவியாளராகத் தொடர்ந்து பரிணமித்து வருகிறது.

“எங்கள் வாடிக்கையாளர்கள் உண்மையிலேயே விரும்பும் பணியை முடிந்தவரை அதிகமாகச் செய்ய வைப்பதே எங்கள் நோக்கம்,” என்று Hollingsworth கூறுகிறார். "அவர்கள் தங்கள் கணினியைத் திறக்கவே தேவையில்லாத ஒரு நிலைக்கு அவர்களைக் கொண்டு வரவும், அவை அனைத்தையும் நிர்வகிக்க Fyxer ஐ நம்ப வைக்கவும் நாங்கள் விரும்புகிறோம்."