OpenAIతో యాంప్లిట్యూడ్: 1–2 రోజుల్లో మెరుగుదలలు

ప్రజలు తమ ఉత్పత్తులను వాస్తవంగా ఎలా వాడుతున్నారో అర్థం చేసుకోవడానికి యాంప్లిట్యూడ్ ఎప్పటినుంచో బృందాలకు తోడ్పడుతోంది. ముందుచూపుతో పనిచేసే దాని ఉత్పత్తి ఏజెంట్ వేవ్, ఆ అవగాహనను వినియోగదారులకు అందే మెరుగుదలలుగా మలచడంలో బృందాలకు సహాయపడుతుంది. వేవ్‌లో దాదాపు 80% పనితీరుకు GPT‑6.1 Sol, GPT‑6 Luna, GPT‑Image‑2.5 Flare సహా OpenAI మోడల్‌లే ఆధారమని యాంప్లిట్యూడ్ వివరిస్తోంది. వేవ్ ఉత్పత్తిపై పొందిన అవగాహనను అమలు ప్రణాళికలుగా మారుస్తుంది. బృందాలు వీటిని Codex సహా కోడింగ్ ఏజెంట్‌లకు పంపవచ్చు. తర్వాత వేవ్ వాటి ప్రభావాన్ని కొలుస్తుంది.

సుమారు నెల పట్టే ఉత్పత్తి మెరుగుదలల విడుదలను వేవ్ సాయంతో బృందాలు 1–2 రోజుల్లో పూర్తి చేయగలవని యాంప్లిట్యూడ్ అంచనా వేస్తోంది. యాంప్లిట్యూడ్ సొంత ముఖపుటలో సూచనల కార్డులను వ్యక్తిగతీకరించడంలో వేవ్ సహాయపడింది. దాంతో కార్డుల ద్వారా పంపిన సందేశాలు 160% పెరిగాయి.

వేవ్ అనేది యాంప్లిట్యూడ్‌కు చెందిన, ముందుచూపుతో పనిచేసే ఉత్పత్తి ఏజెంట్. బృందాలు దానికి ఉత్పత్తిలోని ఒక విభాగాన్ని, సాధించాలనుకునే లక్ష్యాలను, మెరుగుపరచాలనుకునే కొలమానాలను అందిస్తాయి. వేవ్ యాంప్లిట్యూడ్ డేటా, సెషన్‌ల పునఃప్రదర్శనలు, కస్టమర్ల అభిప్రాయాలు, కోడ్‌ను కలిపి విశ్లేషిస్తుంది. అవకాశాలను గుర్తించి ప్రాధాన్యక్రమంలో అమర్చుతుంది, పరిష్కారాలను రూపొందిస్తుంది, మనుషులు, కోడింగ్ ఏజెంట్‌లతో కలిసి అమలును సమన్వయం చేస్తుంది. ఆ తర్వాత ఫలితాలను గమనించి, నేర్చుకున్న విషయాల ఆధారంగా తదుపరి మెరుగుదలలకు దిశానిర్దేశం చేస్తుంది.

ఈ కార్యప్రవాహంలో యాంప్లిట్యూడ్ వేర్వేరు పనులకు వేర్వేరు OpenAI మోడల్‌లను ఉపయోగిస్తుంది. GPT‑6.1 Sol అవకాశాల నిర్వాహకుడికి, కోడ్‌, డేటాపై లోతైన పరిశోధనలకు తోడ్పడుతుంది. కోడ్‌ను పరిశీలించడం, చిన్న మూల్యాంకన తనిఖీలు చేయడం వంటి తరచూ అవసరమయ్యే, తక్కువ ఖర్చుతో పూర్తయ్యే పనులను GPT‑6 Luna నిర్వహిస్తుంది. GPT‑Image‑2.5 Flare సెషన్‌ల పునఃప్రదర్శనల్లోని తెరచిత్రాలను దృశ్య ఆధారాలుగా తీసుకుని ఉత్పత్తి నమూనాలను రూపొందిస్తుంది.

ఒక అవకాశం అభివృద్ధి దశకు సిద్ధమైనప్పుడు, బృందాలు దాన్ని వేవ్ నుంచి నేరుగా Codex సహా కోడింగ్ ఏజెంట్‌లకు పంపవచ్చు. అమలుకు మార్గనిర్దేశం చేసే సాంకేతిక ప్రణాళిక, అంగీకార ప్రమాణాలను కూడా జతచేయవచ్చు.

“భారీ స్థాయిలో సెషన్‌ల పునఃప్రదర్శనలు, విశ్లేషణలు, కోడ్‌ను నిశితంగా పరిశీలించి, ఉత్పత్తులను మెరుగుపరిచే అవకాశాలను గుర్తించే ఏజెంట్‌లు ఉన్న ఒక ఉమ్మడి వేదికను అందించాలన్నదే వేవ్ ఆలోచన” అని యాంప్లిట్యూడ్ ప్రధాన AI ఉత్పత్తి నిర్వాహకుడు జేకబ్ న్యూమన్ వివరిస్తున్నారు.

యాంప్లిట్యూడ్ తన సొంత ముఖపుటలో వేవ్‌ను పరీక్షించింది. అక్కడ సాధారణ సూచనల కార్డులు, AI ఏజెంట్‌తో సంభాషణ ప్రారంభించడానికి వినియోగదారులకు సహాయపడే ఉద్దేశంతో ఏర్పాటు చేసినవి. ప్రజలు తరచూ వాటిని పట్టించుకోవడం లేదని వేవ్ గుర్తించింది: 100 సెషన్‌ల పునఃప్రదర్శనల నమూనాలో 80 మంది తమ సొంత ప్రశ్నలను టైప్ చేయగా, కేవలం 12 మంది ఒక సూచనను ఎంచుకున్నారు.

ఇటీవలి చార్ట్‌లు, డ్యాష్‌బోర్డులు లేదా వినియోగదారు అంతకుముందు సందర్శించిన పుట ఆధారంగా కార్డులను వ్యక్తిగతీకరించాలని వేవ్ ప్రతిపాదించింది. ఈ మార్పు ఎలా కనిపిస్తుందో చూపించి, సాంకేతిక ప్రణాళికను రూపొందించింది. స్వేచ్ఛగా టైప్ చేసే సౌలభ్యాన్ని కొనసాగించడం, వ్యక్తిగతీకరణకు అవసరమైన సమాచారం లేనప్పుడు సాధారణ సూచనలను చూపించడం కూడా ఆ ప్రణాళికలో ఉన్నాయి. క్లుప్తంగా సమీక్షించిన తర్వాత, బృందం ఈ పనిని ఒక కోడింగ్ ఏజెంట్‌కు అప్పగించి, మార్పుపై A/B పరీక్ష నిర్వహించింది.

యాంప్లిట్యూడ్ పంచుకున్న ప్రయోగ ఫలితాల ప్రకారం, ఒక రోజు తర్వాత ముఖపుట సూచనల కార్డుల ద్వారా పంపిన సందేశాలు నియంత్రణ సమూహంతో పోలిస్తే 160% పెరిగాయి. “విప్లవాత్మకమైనవి కావని మనం పట్టించుకోని చిన్న విషయాలు కూడా ఫీచర్ల వినియోగాన్ని అనూహ్యంగా ఎలా పెంచగలవో చెప్పడానికి ఇది గొప్ప ఉదాహరణ” అని యాంప్లిట్యూడ్ సీనియర్ ప్రధాన AI ఇంజినీర్ ఎరిక్ కార్ల్‌సన్ వివరిస్తున్నారు.

వేవ్ చేసే పనులను బట్టి దాని మోడల్‌ల నుంచి అవసరమయ్యే సామర్థ్యాలు మారుతుంటాయి. లోతైన పరిశోధనకు బలమైన రీజనింగ్, పటిష్ఠమైన ఆధారాలతో కూడిన నిర్ధారణలు అవసరం. వందలసార్లు పునరావృతమయ్యే చిన్న తనిఖీ వేగంగా, తక్కువ ఖర్చుతో పూర్తికావాలి. యాంప్లిట్యూడ్ ప్రతి పనికీ నాణ్యత, ప్రతిస్పందన సమయం, ఖర్చును మూల్యాంకనం చేసి, తదనుగుణంగా మోడల్‌లను కేటాయిస్తుంది.

వేవ్ అవకాశాల పరిశోధకుడి కోసం యాంప్లిట్యూడ్ పలు అంశాల్లో మోడల్‌లను మూల్యాంకనం చేసింది: కనుగొన్న విషయాలను ఇతర ఆధారాలతో ధృవీకరించాయా, తప్పుడు సానుకూల నిర్ధారణలను నివారించాయా, మూల్యాంకనకర్త అభిప్రాయాలను ఉపయోగించుకున్నాయా, సాధనాల వైఫల్యాల నుంచి కోలుకున్నాయా, ఆధారాలకు తగిన నిర్ధారణలే చేశాయా అని పరిశీలించింది. GPT‑6.1 Sol మొత్తంగా 5కు గాను 4.06 మార్కులు సాధించింది. మూడు ప్రత్యామ్నాయ మోడల్‌లు వరుసగా 3.62, 3.52, 2.94 సాధించాయి. మొత్తం ఐదు పరిశోధన ప్రమాణాల్లోనూ ఇది ముందంజలో నిలిచింది. పరిశోధన సమయపు మధ్యగత విలువ 54 నిమిషాలతో అత్యంత వేగవంతమైనదిగానూ నిలిచింది.

వేవ్ డేటా సైన్స్ ఏజెంట్‌పై వేరుగా చేసిన మూల్యాంకనంలో GPT‑6.1 Sol 100కు గాను 67.5 మార్కులు సాధించగా, మరో ప్రముఖ మోడల్ 69.3 సాధించింది. ఒక్కో పంపకానికి సగటు మోడల్ ఖర్చు వరుసగా $1.28, $2.63గా ఉంది. సాధనాల వినియోగ నిబంధనల అనుసరణ, అంచనా, అనిశ్చితి, ఆధారాలతో గ్రౌండింగ్ అంశాల్లోనూ GPT‑6.1 Sol ఎక్కువ మార్కులు సాధించింది.

కోడ్‌ను పరిశీలించడం, చిన్న మూల్యాంకన తనిఖీలు చేయడం వంటి పెద్ద సంఖ్యలో జరిగే పనులకు యాంప్లిట్యూడ్ GPT‑6 Lunaను ఉపయోగిస్తుంది. దీనివల్ల ప్రతిస్పందన సమయం, ఖర్చు తక్కువగా ఉంటాయి. ప్రత్యేక నైపుణ్యాలున్న ఏజెంట్‌లకు పనిని పంచడం వల్ల, ఎక్కువ ఖర్చయ్యే రీజనింగ్‌ను అత్యంత అవసరమైన పనులకే కేటాయించగలుగుతోంది.

రూపరేఖలు, నమూనాలను రూపొందించే మూల్యాంకనంలో, పరిష్కార రూపరేఖలకు OpenAI ఇమేజ్ జనరేషన్ మోడల్ 100కు గాను 80.3 మార్కులు సాధించింది. మరో ఇమేజ్ జనరేషన్ మోడల్ 63.9 సాధించింది. యాంప్లిట్యూడ్ 15 అవకాశాలపై చేసిన మూల్యాంకనంలో భావాన్ని తెలియజేసే నాణ్యత, ఉత్పత్తి రూపానికి అనుగుణ్యత, సూచనల అనుసరణ, పాఠ్యం, వినియోగదారు అంతరముఖం సులభంగా చదవగలగడం, దృశ్య సమన్వయం వంటి అంశాలను పరిశీలించింది.

వివిధ పరిశ్రమల కస్టమర్లు ఇప్పటికే వేవ్ బీటాను ఉపయోగించి ఉత్పత్తి మెరుగుదలలను గుర్తించి, విడుదల చేస్తున్నారు. వేవ్ సెషన్‌, విశ్లేషణల డేటాను పరిశీలించి, ప్రతిపాదిత పరిష్కారం, సాంకేతిక ప్రణాళిక, అంగీకార ప్రమాణాలతో కూడిన సిఫార్సులను రూపొందిస్తుంది.

అక్కడి నుంచి ఎంతవరకు స్వయంచాలకంగా పని జరగాలో బృందాలే నియంత్రించవచ్చు. చాలా బృందాలు లోపాల పరిష్కారాలను నేరుగా కోడింగ్ ఏజెంట్‌లకు పంపుతాయి. కొత్త ఫీచర్లు, పెద్ద స్థాయి ప్రయత్నాలను మాత్రం మనుషులు సమీక్షిస్తారు.

విడుదల వరకు చేరే మార్పుల్లో, గుర్తింపు నుంచి అమలు వరకు సమయం తక్కువగానే ఉండవచ్చు: కస్టమర్లు ప్రారంభించిన ప్రయోగాలు, ఫ్లాగ్‌లు, మార్గదర్శకాల్లో నాలుగింటిలో ఒకటి వేవ్ అవకాశాన్ని గుర్తించిన రోజే అమల్లోకి వచ్చింది. సగం నాలుగు రోజుల లోపే, మూడింటిలో రెండు వారంలోపే అమల్లోకి వచ్చాయి.

“కంపెనీలు సాఫ్ట్‌వేర్‌ను రూపొందించే విధానంలో, తమను తాము మెరుగుపరచుకునే ఉత్పత్తులే ప్రమాణంగా మారేలా చేయాలన్నది OpenAIతో కలిసి మేము సాధించాలనుకుంటున్న లక్ష్యం” అని స్కేట్స్ అంటున్నారు. OpenAI మోడల్‌లు రీజనింగ్, కోడింగ్‌లో మరింత మెరుగుపడే కొద్దీ, బృందాలు మరిన్ని పరిశోధన, అమలు పనులను ఏజెంట్‌లకు అప్పగించగలుగుతాయి. చివరికి మెరుగైన ఉత్పత్తులు వినియోగదారులకు మరింత వేగంగా చేరతాయి. యాంప్లిట్యూడ్ ఇప్పటికే దీన్ని చూస్తోంది. బృందం ఇతర ప్రాధాన్యాలపై పనిచేస్తుండగా, ఏజెంట్‌లు దాని సొంత ఉత్పత్తిలో మెరుగుదలలను గుర్తించి, అందించడంలో తోడ్పడుతున్నాయి: “ఉత్పత్తిని మెరుగుపరచడానికి సాఫ్ట్‌వేర్ తమతో కలిసి పనిచేస్తుంటే ఎంత సాధించగలరో చూసి బృందాలు ఆశ్చర్యపోతాయని నా అభిప్రాయం.”