Fyxer உருவாக்கிய நம்பகமான நுண்ணறிவு உதவியாளர்
OpenAI மாடல்கள், 500,000+ மணிநேர நிர்வாக உதவியாளர் பணிப்பாய்வுகள், உண்மையான பயனர் கருத்துகள் ஆகியவற்றைக் கொண்டு ஒவ்வொருவரின் பாணியிலும் Fyxer பதில்களை வரைகிறது.
90%
90 நாட்களுக்குப் பிறகும் தொடரும் பயனர்கள்
53%
எழுதியபடியே ஏற்கப்பட்ட செயற்கை நுண்ணறிவு வரைவுகள்
பல தொழில்முறைப் பணியாளர்களுக்கு, வேலை என்பது மின்னஞ்சல் பெட்டிகள், சந்திப்புகள், செய்திகள், செயலிகள் ஆகியவற்றில் பரவியுள்ள உரையாடல்களையும் கடமைகளையும் தொடர்ந்து கவனிப்பதாகும். தெளிவான சூழல் இல்லாவிட்டால், அந்தக் கடமைகள் கவனிக்கப்படாமல் போய் திட்டங்களையும் உறவுகளையும் பாதிக்கலாம்.
பணி பல்வேறு கருவிகளுக்கு இடையே நகரும்போதும் அதன் தொடர்ச்சியைப் பின்பற்றும் செயற்கை நுண்ணறிவு நிர்வாக உதவியாளரை Fyxer உருவாக்கியது. சமீபத்திய OpenAI மாடல்களையும் 500,000 மணிநேரத்திற்கும் அதிகமான நிர்வாக உதவியாளர் பணிப்பாய்வுகளையும் இது ஒருங்கிணைக்கிறது. உண்மையான பயனர் கருத்துகளால் மேம்படும் பல சிறப்பு மாடல்களுக்கு இடையே பணியைப் பிரிக்கிறது.
அது செயல்படுவதை மிகத் தெளிவாகக் காணக்கூடிய இடங்களில் மின்னஞ்சலும் ஒன்று. இருவர் ஒரே மின்னஞ்சலைப் பெற்றாலும், அவர்களின் உறவு, முன்பு நடந்தவை, ஒவ்வொருவரும் அடைய முயலும் நோக்கம் ஆகியவற்றைப் பொறுத்து முற்றிலும் வேறுபட்ட பதில்கள் தேவைப்படலாம். இதனால், பார்ப்பதற்கு எளிமையான இப்பணி செயற்கை நுண்ணறிவுக்கு எதிர்பாராத அளவு கடினமாகிறது.
“மோராவெக்கின் முரண்பாடு என்று ஒன்று உள்ளது,” என Fyxer இணை நிறுவனர் ஆர்ச்சி ஹாலிங்ஸ்வொர்த் விளக்குகிறார். “மனிதர்களுக்கு எளிதானவை கணினிகளுக்குக் கடினம். கணினிகளுக்கு எளிதானவை மனிதர்களுக்குக் கடினம்.” ஒவ்வொரு பயனரும் எவ்வாறு பணியாற்றுகிறார் என்பதைக் கற்றுக்கொண்டு, எது முக்கியம் என்பதை ஏற்கெனவே அறிந்த உதவியாளரைப் போல் பதிலளிப்பதன் மூலம் இந்தச் சிக்கலை Fyxer கையாளுகிறது.
மின்னஞ்சலைப் புரிந்துகொள்வது, சரியான சூழலைக் கண்டறிவது, வரைவை உருவாக்குவது என இந்த அனுபவத்தின் முக்கியப் பகுதிகளுக்கு OpenAI-இன் அதிநவீன மாடல்கள் ஆதரவளிக்கின்றன. Fyxer-இன் உள் அளவுகோல்களில் OpenAI மாடல்கள் சிறப்பாகச் செயல்பட்டன. தொனி, நோக்கம் போன்ற கருத்துசார்ந்த பணிகளுக்கான வலுவான நுண்சீரமைப்புத் திறன்களையும், வெண்பலகை விவாதங்கள் மற்றும் தொழில்நுட்ப ஒத்துழைப்பின் மூலம் நேரடி பொறியியல் ஆதரவையும் வழங்கின. இதனால் Fyxer, OpenAI-ஐத் தேர்ந்தெடுத்தது.
“சிறந்த மாடல்கள் இருப்பதால் OpenAI-ஐத் தேர்ந்தெடுத்தோம். மேலும், அவர்கள் எங்களுக்கு நேரடி அணுகலையும் நெருக்கமான பணியுறவையும் வழங்கியுள்ளனர். Slack-இல் ஒரு கேள்வியைப் பதிவிட்டு விரைவாகப் பதில் பெற முடிகிறது. சிக்கல் ஏற்பட்டால், அந்தக் குழு எங்கள் அலுவலகத்திற்கே வந்து எங்களுடன் இணைந்து அதைத் தீர்க்கிறது. தேவைப்படும்போது அவர்கள் உடனிருக்கிறார்கள்.”
மிகவும் சூழல்சார்ந்த செயற்கை நுண்ணறிவுத் தயாரிப்புகளை உருவாக்கும் நிறுவனர்களுக்கு Fyxer-இன் அணுகுமுறை மூன்று பாடங்களை வழங்குகிறது:
மின்னஞ்சல் பணிப்பாய்வின் குறுகிய பகுதி ஒன்றுக்கு ஒவ்வொன்றும் பொறுப்பேற்கும் 30–50 சிறப்பு மாடல்களை அடிப்படையாகக் கொண்டு Fyxer தனது அமைப்பை உருவாக்கியது. மின்னஞ்சலை ஒரே உரை உருவாக்கும் பணியாகக் கருதாமல், செய்திக்குப் பதில் தேவையா என்பதைத் தீர்மானித்தல், பயனரின் தொனிக்கும் சூழலுக்கும் பொருந்தும் பதில்களை வரைதல் போன்ற கணிப்புகளின் அமைப்பாக Fyxer அதைப் பிரிக்கிறது.
“ஒரு மாடலிடம் நல்ல மின்னஞ்சலை எழுதச் சொல்வதைவிட, சிக்கலைப் பல சிறிய மாடல்களாகப் பிரிப்பது மிகவும் சிறப்பாகச் செயல்படுகிறது,” என ஹாலிங்ஸ்வொர்த் விளக்குகிறார்.
புதிய மின்னஞ்சல் வரும்போது, பதில் தீர்மான மாடல் அதை வகைப்படுத்துகிறது: இதற்குப் பதில் தேவையா, நேரத் திட்டமிடல் நடவடிக்கை தேவையா அல்லது பயனர் பார்க்க வேண்டிய தகவல் மட்டுமா?
பதில் தேவைப்பட்டால், கூடுதல் மாடல்கள் மின்னஞ்சலின் நோக்கத்தை ஆராய்ந்து, உரையாடலின் சாத்தியமான முடிவைக் கணிக்கின்றன. உரையாடல் ஒரு சந்திப்பைத் திட்டமிடுவதை நோக்கிச் செல்கிறதா, கோரிக்கையைத் தீர்ப்பதை நோக்கிச் செல்கிறதா அல்லது நீண்டகால உறவு உரையாடலைத் தொடர்கிறதா போன்ற போக்குகளை இந்த மாடல்கள் கண்டறிகின்றன.
மெமரி இந்த அமைப்பின் மிக முக்கியமான பகுதிகளில் ஒன்று. எந்த விவரங்கள் உரையாடல்களைக் கடந்தும் நீடிக்க வேண்டும், எவை ஒரே பரிமாற்றத்திற்குப் பிறகு மறைய வேண்டும் என்பதை Fyxer தீர்மானிக்க வேண்டும். புதிய மின்னஞ்சல் வரும்போது, மீட்டெடுப்பு மாடல்கள் அதைச் சேமிக்கப்பட்ட உரையாடல்களுடன் ஒப்பிட்டு, அந்த நபருக்கும் உரையாடல் தொடருக்கும் மிகவும் தொடர்புடைய நினைவுகளை முன்னிலைப்படுத்துகின்றன.
Fyxer அமைப்பின் பல்வேறு படிகளை OpenAI மாடல்கள் இயக்குகின்றன. “மின்னஞ்சல் உண்மையில் எதைப் பற்றியது என்பதைப் புரிந்துகொள்ள அதை ஆராய்வது முதல், சேர்க்க விரும்பும் சூழலைக் கொண்டுவந்து மறுதரவரிசைப்படுத்துவது, மின்னஞ்சலை உருவாக்குவது வரை அனைத்திற்கும் OpenAI மாடல்களைப் பயன்படுத்துகிறோம்,” என்கிறார் ஷான்ட்சிலா.
தனது செயற்கை நுண்ணறிவுத் தயாரிப்பை அறிமுகப்படுத்துவதற்கு முன், மனிதர்கள் இயக்கிய நிர்வாக உதவியாளர் சேவையை Fyxer பல ஆண்டுகள் நடத்திவந்தது. காலப்போக்கில், உண்மையான உதவியாளர்கள் தொழில்முறைத் தகவல்தொடர்பை எவ்வாறு நிர்வகிக்கிறார்கள் என்பதைப் பதிவுசெய்த, குறிப்புரையிடப்பட்ட 500,000 மணிநேரத்திற்கும் அதிகமான நிர்வாகப் பணிப்பாய்வுகளிலிருந்து ஒரு தரவுத்தொகுப்பைக் குழு உருவாக்கியது.
அந்த எடுத்துக்காட்டுகள், அப்பணியிலிருந்தே பெறப்பட்ட பயிற்சித் தரவை Fyxer-க்கு வழங்கின. விரைவாகப் பதிலளிப்பது எப்போது, காத்திருப்பது எப்போது, எந்த முந்தைய உரையாடல் முக்கியம், ஒரே கோரிக்கைக்கு வெவ்வேறு நபர்களிடம் ஏன் வேறுபட்ட பதில் தேவை என்பன போன்ற சிறந்த பதிலின் பின்னாலுள்ள நுட்பமான முடிவுகளை அவை பதிவுசெய்தன.
பயிற்சிச் செலவைக் கட்டுப்படுத்தியபடி, குறிப்பிட்ட பணிகளுக்கான மாடல் வகைகளை உருவாக்க, தனது விரிவான அமைப்பில் சூப்பர்வைஸ்ட் ஃபைன்-ட்யூனிங் மற்றும் குறைந்த தரவரிசைத் தகவமைப்பை (LoRA) Fyxer பயன்படுத்துகிறது. தயாரிப்பின் தொடக்கக்கட்ட உருவாக்கத்தின்போது, அதிகத் துல்லியம் தேவைப்பட்ட பணிகளுக்கு OpenAI-இன் நுண்சீரமைப்புத் தளத்தைக் குழு பயன்படுத்தியது. அண்மையில், புதிய சோதனைநிலையைச் செயல்பாட்டுக்குக் கொண்டுவர OpenAI-இன் நிர்வகிக்கப்பட்ட நுண்சீரமைப்புக் குழுவுடன் Fyxer இணைந்து பணியாற்றியது.
“எங்கள் வாடிக்கையாளர்கள் குறித்த புரிதலை மாடல்களின் செயல்பாட்டில் வெற்றிகரமாகப் புகுத்த OpenAI எங்களுக்கு மிக முக்கியமாக உதவியுள்ளது.”
எந்த மாடலையும் பயன்பாட்டுக்குக் கொண்டுவரும் முன், வரைதல், வகைப்படுத்தல், முன்னுரிமையிடல் உள்ளிட்ட தனது மின்னஞ்சல் பணிகளுக்காக உருவாக்கப்பட்ட சரிபார்ப்புத் தொகுப்புகளில் Fyxer அதை மதிப்பிடுகிறது. சிறந்த தேர்வு பணிக்கேற்ப மாறக்கூடும் என்பதால், பதில் நேரம் மற்றும் செலவுடன் துல்லியத்தையும் குழு மதிப்பிடுகிறது.
பயன்பாட்டுக்குக் கொண்டுவரப்பட்ட பிறகும், உண்மையான பயனர் கருத்துகளின் மூலம் Fyxer அமைப்பு தொடர்ந்து மேம்படுகிறது. அனுப்புவதற்கு முன் ஒருவர் வரைவைத் திருத்தும்போது, அசல் மின்னஞ்சலுக்கும் இறுதி மின்னஞ்சலுக்கும் இடையிலான வேறுபாடு அவர் விரும்பிய வெளியீட்டைக் காட்டுகிறது.
நேரடி விருப்பத் தேர்வுமுறை (DPO) மூலம் அந்த ஒப்பீடுகளைப் பயிற்சித் தரவாக Fyxer மாற்றுகிறது. ஒவ்வொரு எடுத்துக்காட்டிற்கும் கைமுறையாகக் குறியிடுவதற்குப் பதிலாக, அசல் வரைவு மற்றும் பயனர் திருத்திய பதிப்பு ஆகிய வெளியீட்டு இணைகளிலிருந்து மாடல் கற்றுக்கொள்கிறது.
பின்னர், ஒவ்வொரு வரைவு மாற்றமும் A/B சோதனைக்கு உட்படுத்தப்படுகிறது. புதிய பதிப்பு புள்ளிவிவர ரீதியாகக் குறிப்பிடத்தக்க முன்னேற்றத்தை அளித்தால் மட்டுமே Fyxer அதை வெளியிடுகிறது. பயனர்களின் எண்ணிக்கை அதிகமாக இருப்பதால், சில நேரங்களில் ஒரே நாளில் குழுவால் அந்த வரம்பை எட்ட முடிகிறது.
இன்று, Fyxer-இன் செயற்கை நுண்ணறிவு உருவாக்கும் வரைவுகளில் 53% எழுதப்பட்டபடியே ஏற்கப்படுகின்றன. உண்மையான உரையாடல்களில் பெரும்பகுதியின் நோக்கத்தையும் தொனியையும் அமைப்பு சரியாகக் கணிக்கிறது என்பதே இதன் பொருள். 2025-ஆம் ஆண்டில் மட்டும், Fyxer-இன் வருடாந்திர தொடர் வருவாய் $1 மில்லியனிலிருந்து $32 மில்லியனாக உயர்ந்தது.
ஹாலிங்ஸ்வொர்த்தைப் பொறுத்தவரை, பயனர்கள் தொடர்ந்து நீடிப்பதே வலுவான அளவுகோல். பல Fyxer வாடிக்கையாளர்களுக்கு ஆழமான தொழில்நுட்ப அறிவு இல்லை. சிலர் தினமும் பயன்படுத்தும் முதல் செயற்கை நுண்ணறிவு அமைப்பே Fyxer ஆகும்.
“எல்லோரும் ARR பற்றிப் பேசுகிறார்கள். ஆனால், பயனர்கள் தொடர்ந்து நம்முடன் இருப்பதுதான் உண்மையான சாதனை என நினைக்கிறேன். 90 நாட்களுக்குப் பிறகும் எங்கள் பயனர்களில் 90%-க்கும் மேற்பட்டோர் பணம் செலுத்துவதோடு, தினமும் எங்களைப் பயன்படுத்துகின்றனர்.”
எதிர்காலத்தை நோக்கி, உறவுகள், விருப்பங்கள் மற்றும் தொடர்ந்து நடைபெறும் பணிகள் குறித்த ஆழமான புரிதலை Fyxer உருவாக்கி வருகிறது. பதில்களை வரைவதைக் கடந்து, பயனரின் தகவல்தொடர்பு மற்றும் ஒருங்கிணைப்புப் பணிகளில் பெரும்பகுதியை நிர்வகிக்கக்கூடிய விரிவான செயற்கை நுண்ணறிவு உதவியாளராக அது தொடர்ந்து மேம்பட்டு வருகிறது.
“எங்கள் வாடிக்கையாளர்கள் தாங்கள் உண்மையிலேயே விரும்பும் பணிகளை முடிந்தவரை அதிகமாகச் செய்ய உதவுவதே எங்கள் நோக்கம்,” என்கிறார் ஹாலிங்ஸ்வொர்த். “அவர்கள் கணினியையே திறக்க வேண்டியதில்லாமல், இவை அனைத்தையும் Fyxer நிர்வகிக்கும் என நம்பக்கூடிய நிலையை உருவாக்க விரும்புகிறோம்.”
