OpenAIలో ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ పాత్ర ఏమిటి
మా పని, పని విధానం, సంస్థల కఠిన సమస్యలను పరిష్కరించి నిజమైన ఫలితాలు సాధించే తీరు.
రచన: కోలిన్ జార్విస్, OpenAI ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీరింగ్ విభాగాధిపతి
Codex విడుదలైనప్పుడు మా బృందంలో ఒకరు నన్ను ఇలా అడిగారు: “గత కొన్ని నెలలుగా మనం నిర్మిస్తున్న పరిష్కారాలను Codex ఒక్క ప్రయత్నంలోనే చేసేస్తే, మనం ఏమి చేస్తాము?”
OpenAIలో ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ పాత్రకు అసలు అర్థమేమిటో ఆ ప్రశ్న తెలియజేస్తుంది. కస్టమర్ల అత్యంత కఠినమైన సమస్యలను అర్థం చేసుకుని, వారు ఆధారపడగల పరిష్కారాలను నిర్మించేందుకు మేము వారితో కలిసి పనిచేస్తాం. మేము నేర్చుకున్న విషయాలు మా ఉత్పత్తులకు రూపునివ్వడంలో తోడ్పడతాయి. పరిశోధన బృందానికి పరిష్కరించాల్సిన స్పష్టమైన సమస్యలను అందిస్తాయి.
అదే పురోగతి. ప్రతి రెండు నెలలకోసారి మా అవసరం లేకుండా చేయగలిగితే, మా ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ల బృందం తన పని సరిగ్గా చేస్తున్నట్టే.
మేము “అమలులో అంతరం” అని పిలిచేదాన్ని పూడ్చేందుకు 2025 ప్రారంభంలో ఈ బృందాన్ని స్థాపించాను. అంటే, మోడళ్లు చేయగలవని కనిపించే పనులకు, ప్రజలు తమ పనిలో నమ్మకంగా ఉపయోగించుకోగల వాటికి మధ్య ఉన్న తేడా.
మోడల్ సామర్థ్యాలను వినియోగంలోకి తెచ్చేందుకు అవసరమైన వ్యవస్థలు, ప్రక్రియల కంటే ఆ సామర్థ్యాలే వేగంగా అభివృద్ధి చెందాయి. కొన్నిసార్లు లోటుగా ఉన్నది ఒక ఉత్పత్తి. కొన్నిసార్లు మోడల్ ప్రామాణిక పరీక్షలో బాగా పనిచేస్తుంది. కానీ వాస్తవ జీవితంలోని మారే పరిస్థితులు, పరిమితుల మధ్య ఆ పని చేయలేకపోతుంది.
కస్టమర్ల అత్యంత కఠినమైన సమస్యలపైనే మేము దృష్టి పెడతాం. మా మోడళ్లు నేడు పని చేయగలిగిన చోట, ఆ పరిష్కారాన్ని మళ్లీ ఉపయోగించగలిగేలా చేయడానికి ఉత్పత్తి బృందం, కస్టమర్‌తో కలిసి పనిచేస్తాం. అవి సరిపోని చోట, లోటును నిర్వచించి మెరుగుపరచడానికి కస్టమర్లు, పరిశోధన బృందంతో కలిసి పనిచేస్తాం. ప్రతి ప్రాజెక్టు తదుపరి కస్టమర్‌కు మరింత మెరుగైన ప్రారంభ పునాదిని అందించాలనేది మా లక్ష్యం. తర్వాతిసారి ఇలాంటి సమస్యను పరిష్కరించేందుకు కస్టమర్లకు ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ల అవసరం లేకుండా ప్రాథమిక స్థాయిని మెరుగుపరచగలిగితే, మా పని బాగా చేసినట్టే.
200 ఏళ్ల చరిత్ర గల వ్యవసాయ సంస్థ జాన్ డీర్ ఎదుర్కొన్న సవాలు, రైతులకు వారి అవసరాలకు అనుగుణమైన సలహాలను పెద్ద స్థాయిలో ఎలా అందించాలనేది.
దీనికి ఒక ఉదాహరణ, కలుపును కచ్చితంగా లక్ష్యంగా చేసుకునే వారి సీ & స్ప్రే సాంకేతికత. ఇది కెమెరాలు, యంత్ర అభ్యసనంతో కలుపును గుర్తించి దానిపైనే మందు పిచికారీ చేస్తుంది. పొలం మొత్తానికి మందు వేయాల్సిన అవసరం లేకపోవడంతో రసాయనాల వినియోగాన్ని 70% వరకు తగ్గిస్తుంది.
అయితే ఆ ప్రయోజనాలు పొందాలంటే ఈ సాంకేతికతను ఎలా అమర్చుకోవాలి, పంటకాలాన్ని ఎలా ప్రణాళిక చేసుకోవాలి, పరిస్థితులు మారేకొద్దీ సాగు పద్ధతులను ఎలా సవరించుకోవాలి అనేది రైతులకు తెలియాలి.
ఆ సహాయాన్ని వ్యక్తిగత అవసరాలకు అనుగుణంగా, పెద్ద స్థాయిలో అందించేందుకు జాన్ డీర్ OpenAI ఏపీఐలను అమలు చేసింది.
AI రైతుల ప్రశ్నలకు సహజ భాషలో సమాధానాలు ఇవ్వగలదు. వారి అవసరాలకు అనుగుణంగా పరికరాల అమరికపై మార్గదర్శకత్వం, సిఫార్సులు అందించగలదు. పరికరాలు పూర్తి సామర్థ్యంతో పనిచేయని సందర్భాలను గుర్తించగలదు. అలాగే ఈ సాంకేతికత నుంచి పొందుతున్న ప్రయోజనాన్ని అర్థం చేసుకునేందుకు రైతులకు తోడ్పడగలదు.
ఈ అవకాశం ఒక్క సంభాషణకే పరిమితం కాదు. కస్టమర్ ప్రయాణమంతటా సందర్భోచిత మార్గదర్శకత్వాన్ని అందించడం ద్వారా రైతులు తమ పరికరాలను మరింత బాగా ఉపయోగించుకునేలా చేయవచ్చు. అదే సమయంలో సామర్థ్యాన్ని, సుస్థిరతను మెరుగుపరచవచ్చు.
OpenAI ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్‌లు పరిష్కరించేది ఇలాంటి సవాళ్లనే. AI సామర్థ్యాలను ఉపయోగించి సంక్లిష్టమైన వాస్తవ పరిస్థితుల్లో ఆచరణాత్మక ప్రయోజనం అందించే వ్యవస్థలను నిర్మించేందుకు సంస్థలకు వారు సహాయపడతారు.
కానీ తరచూ సమస్యలకు స్పష్టమైన హద్దులు ఉండవు. సరైన ఫలితం ఏమిటో నిర్ధారించే ప్రామాణిక ఆధారం ఉండకపోవచ్చు. అనుసరించేందుకు సిద్ధమైన పద్ధతీ ఉండదు. ఇంతకుముందెన్నడూ లేనిదాన్ని నిర్మించాలని అందరూ కోరుకుంటారు. కానీ అక్కడికి చేరేందుకు అవసరమైన కృషి చేయాలనుకునేవారు తక్కువ.
“సరిపోతుంది” అనుకునే స్థాయిని పెంచుతూనే ప్రతిభావంతులైన ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్లను వెతకడం కోసం నిరంతరం ప్రయోగాలు చేసి, నేర్చుకున్నవాటిని ఆచరణలో పెట్టాల్సి వచ్చింది.
ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ల ప్రతి బృంద సమావేశం ప్రారంభంలో ఒక ప్రధాన విలువ ఉన్న స్లైడ్‌ను చూపిస్తాను: “సాధించాల్సిన ఫలితంతో ప్రారంభించండి, విజయానికి అవసరమైన పని చేయండి, ఆ తర్వాత విస్తరించండి”.
వాస్తవ ప్రపంచంలో పనిచేస్తుందా అని ఎవరైనా అడిగేలోపే, ఆకట్టుకునే ప్రదర్శనకు ఎంతో ఆదరణ లభించవచ్చు.
వాస్తవ వినియోగంలో నమ్మకంగా పనిచేస్తుందని మేము భరోసా ఇవ్వగల ప్రమాణంతో కస్టమర్ సమస్యను పరిష్కరించడమే మా పని.
2025 మధ్యలో, మా ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్‌లు సుమారు 15 మంది ఒక పెద్ద సెమీకండక్టర్ కస్టమర్‌తో 10కి పైగా వినియోగ సందర్భాలపై పనిచేస్తున్నారు. వారి ధృవీకరణ ప్రక్రియను AI పునాదిగా పనిచేసేలా మార్చాలనేది లక్ష్యం. ఇందులో భాగాలు:
నిర్దిష్ట లక్ష్యాలకు అనుగుణంగా పరీక్షల రూపకల్పన
మూలకారణ విశ్లేషణ, లోపాల గుర్తింపు, సవరణ
సాంకేతిక నిర్మాణ సహాయకం
ఈ పరిశ్రమలో ఒక ప్రాజెక్టుకు అవసరమయ్యే శ్రమలో దాదాపు 70% ధృవీకరణకే వెచ్చించాల్సి రావచ్చు. ఇది ఎంతో భారీ అవకాశం. ప్రారంభించడానికి అనేక మార్గాలు ఉన్నాయి.
కొందరు ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్‌లు కొద్ది రోజుల ముందే OpenAIలో చేరారు. వారికి సెమీకండక్టర్ రంగంలో పనిచేసిన అనుభవమే లేదు. వారు కస్టమర్ ధృవీకరణ బృందంలో భాగమై పనిచేశారు. ఖాళీ సమయంలో చిప్ రూపకల్పన గురించి నేర్చుకున్నారు. AI ఉపయోగకరమైన పరీక్షలను రూపొందించగలదా, చిప్ వైఫల్యాలను సరిగ్గా నిర్ధారించగలదా అని పరీక్షించేందుకు ఇంజనీర్లతో కలిసి మూల్యాంకనాలను రూపొందించారు.
అలా నేర్చుకుంటూనే, ఒక్కో వినియోగ సందర్భానికి ప్రత్యేక హార్నెస్‌లను నిర్మించాం. మొదటి 3–6 నెలల్లో అవన్నీ వాస్తవ వినియోగానికి సిద్ధమయ్యాయి. తొలి వినియోగదారులు వాటిని ఉపయోగించడం ప్రారంభించారు. ఆ కృషి ఫలితం ఈ గణాంకాల్లో కనిపించింది:
AI ఆధారంగా నిర్దిష్ట లక్ష్యాలకు అనుగుణమైన పరీక్షలను రూపొందించడం వల్ల దాదాపు 48% సమయం ఆదా అయింది.
కెర్నల్‌ను ఆప్టిమైజ్ చేయడం ద్వారా పనితీరులో మెరుగుదల మధ్యగత విలువ 22%గా నమోదైంది.
వారాల తరబడి పట్టే లోపాల గుర్తింపు, సవరణ కొన్ని గంటల్లో పూర్తయ్యాయి
ఈ ఫలితాలన్నీ వివరించినప్పుడు ప్రధాన హార్డ్‌వేర్ అధికారి ఇలా అడిగారు: “మీరు ఇక్కడికి రాకముందు చిప్ డిజైనర్లుగా పనిచేశారా?”
మా ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్లకు మొదటి రోజే ఆ పరిశ్రమ గురించి తెలిసి ఉండాల్సిన అవసరం లేదు. కానీ దాని గురించి నేర్చుకోవడం వారి బాధ్యత.
కోడింగ్ సహాయకాలతో సాఫ్ట్‌వేర్‌ను మరింత వేగంగా నిర్మించగలుగుతున్న కొద్దీ, కస్టమర్ బిజినెస్‌ను అర్థం చేసుకోవడం మరింత ముఖ్యమవుతోంది. విస్తృత పరిజ్ఞానం ఉన్నవారిని, నిర్దిష్ట రంగాల్లో నిపుణులను కలిపి మేము బృందాలను ఏర్పాటు చేస్తాం.
సరైన నిర్ణయాలు తీసుకోవడానికి తగిన జ్ఞానం అవసరం. అలాగే ప్రస్తుత పరిస్థితుల గురించి ఉన్న ఊహలను ప్రశ్నించేంత జిజ్ఞాస కూడా అవసరం.
ఉదాహరణకు, జీవశాస్త్ర రంగంలో మా ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ల శాస్త్రీయ నేపథ్యం పరిశోధకుల నమ్మకాన్ని పొందేందుకు తోడ్పడుతుంది. ఈ పరిశోధకులు క్లినికల్ పరీక్షలకు ముందు జరిగే ఔషధ ఆవిష్కరణ పనుల్లో భాగంగా లక్ష్యాల ధృవీకరణ, ప్రాధాన్యక్రమ నిర్ణయం, జన్యు వ్యక్తీకరణ విశ్లేషణ, రసాయన సంశ్లేషణ మార్గాల పునర్నిర్మాణం వంటివి చేస్తుంటారు. ఆ నైపుణ్యంతో వారు ఈ వర్క్‌ఫ్లోలను ఎలా మెరుగుపరచవచ్చనే విషయంలో అవగాహనతో కూడిన నిర్ణయాలకు తోడ్పడగలుగుతారు.
ఈ వర్క్‌ఫ్లోలు ప్రయోజనం అందించగలవని మేము నిరూపించాం. అయినా వాటిలో ప్రతిదాన్నీ మరో బృందానికి విస్తరించాలంటే ఇంకా చాలా ప్రత్యేక అనుసంధాన పని అవసరమయ్యేది. ఆ ఫలితాలను నిలుపుకుంటూనే సాఫ్ట్‌వేర్ అమలును, నిర్వహణను సులభతరం చేయడం తదుపరి సవాలుగా నిలిచింది.
అప్పటికి Codex సామర్థ్యం పెరిగింది. ఒక ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ దాన్ని కేంద్రంగా చేసుకుని తమ అప్లికేషన్‌ను పునర్నిర్మించి పరీక్షించారు. తర్వాత బృందంతో కలిసి, Codex ప్రధానంగా పనిచేసే ఉమ్మడి హార్నెస్‌పైకి వినియోగ సందర్భాలను మార్చారు.
ప్రత్యేక అప్లికేషన్లు ఉమ్మడి Codex మౌలిక భాగాలపై నిర్మించిన ప్లగిన్‌లు, నైపుణ్యాలుగా మారాయి. Codex ఇంటర్‌ఫేస్‌గా కూడా మారింది. దాంతో ఒక్కో వినియోగ సందర్భం కోసం మేము రాసిన ప్రత్యేక టెర్మినల్ వినియోగదారు ఇంటర్‌ఫేస్‌లను, కమాండ్-లైన్ ఇంటర్‌ఫేస్‌లను తొలగించగలిగాం.
ప్రతి ప్రాజెక్టు నుంచి దాదాపు 90% ప్రత్యేక కోడ్‌ను తొలగించగలిగాం, ఇది ఈ వర్క్‌ఫ్లోలను మేము నిర్మించే, నిర్వహించే, విస్తరించే విధానాన్ని మార్చింది:
Codexకు కేంద్రస్థాయిలో చేసే మెరుగుదలల నుంచి మేము ప్రయోజనం పొందగలిగాము, దాంతో ఒక్కో వినియోగ సందర్భంలో వేర్వేరు భాగాలను కలిపేందుకు అవసరమయ్యే అనుసంధాన కోడ్ తగ్గింది
కీలక కార్యాచరణలను నైపుణ్యాలు, ప్లగిన్‌లుగా సమూహీకరించాం. దాంతో వాటిని పరస్పరం పంచుకోవడం, AI నైపుణ్య కేంద్రం ద్వారా కేంద్రీకృతంగా నియంత్రించడం సులభమైంది. దీంతో ఒక బృందం నుంచి మరో బృందానికి విస్తరించడానికి కొత్త కనెక్టర్లు లేదా MCP సర్వర్లను మార్చి అమర్చడం, కొత్త మూల్యాంకనాలను రూపొందించడం, పని ప్రారంభించడం మాత్రమే సరిపోయే పరిస్థితి ఏర్పడింది. (మూల్యాంకనాలను రూపొందించడానికీ మా వద్ద ఒక నైపుణ్యం ఉంది.)
ఆగస్టు 2026 నాటి ఒక ఉదాహరణలో, తొలి అమలుకు రెండు నెలలు పట్టింది. అదే పరిష్కారాన్ని రెండో బృందానికి విస్తరించడానికి ఒక్క రోజు పట్టింది. మేము విస్తరిస్తున్న కొద్దీ తదుపరి బృందాలు మరింత వేగంగా వినియోగం ప్రారంభించాయి. ఈ ధోరణి కొనసాగింది. ఆగస్టు 2026లో ఒక వినియోగ సందర్భంలో తొలి అమలుకు 2 నెలలు పట్టగా, రెండో బృందానికి 1 రోజే పట్టింది.
మా అవసరం లేకుండా చేయడంలో ఇది ఒక మార్గం. వాస్తవ వినియోగ దశకు చేరడానికి చేసిన కృషితో ఏది ముఖ్యమో స్పష్టమైంది. పునాదిగా ఉన్న ఉత్పత్తి మెరుగుపడేకొద్దీ, మేము ప్రత్యేకంగా నిర్మించిన వ్యవస్థలో ఎక్కువ భాగాన్ని భర్తీ చేస్తూనే అది అందించే ప్రయోజనాన్ని నిలుపుకోగలిగాం.
అందుకే ఈ క్రమం ముఖ్యం. LLMలతో వేగంగా నిర్మించవచ్చు. ఆ వేగాన్ని ఉపయోగించి ప్రయోజనకరమైనదాన్ని వినియోగదారులకు అందించండి. ఆచరణలో ఏది నిలకడగా పనిచేస్తుందో తెలుసుకోండి. ఆ తర్వాత పనిచేసేదాన్ని విస్తరించండి.
కస్టమర్లతో చేపట్టే అన్ని ప్రాజెక్టులకూ ఇదే సూత్రం వర్తిస్తుంది.
ఎంటర్‌ప్రైజ్ వాయిస్, ఇంకా చాట్ ఏజెంట్ల కోసం మా ఉత్పత్తి అయిన OpenAI Presence, నిజమైన కస్టమర్ డిప్లాయ్‌మెంట్‌ల నుండి రూపుదిద్దుకుంది. ఈ పని స్వార్మ్‌తో(కొత్త విండోలో తెరుచుకుంటుంది) ప్రారంభమై, క్రమంగా అభివృద్ధి చెందింది ఏజెంట్స్ API సహాయంతో, నేడు ఒక కస్టమర్ తన సగానికి పైగా కాల్స్‌ను AIతో నిర్వహిస్తున్నారు.
ఆ డిప్లాయ్‌మెంట్‌లను ప్రొడక్షన్‌లోకి తీసుకురావడం ద్వారా, ఏ సమస్యలకు ప్రత్యేక పరిష్కారం అవసరమో మరియు ఏ బిల్డింగ్ బ్లాక్‌లను ఇతర బృందాలు ఉపయోగించుకోగలవో మాకు తెలిసింది. మేము ఆ బిల్డింగ్ బ్లాక్‌లను ప్రెసెన్స్‌లోకి తీసుకువచ్చాము, దీనివల్ల డెవలపర్‌లు అంతర్లీన మౌలిక సదుపాయాలను తిరిగి నిర్మించకుండానే నియంత్రిత వర్క్‌ఫ్లోలను ఆటోమేట్ చేయడం సులభతరం అవుతుంది. ప్రతి విస్తరణ ఉత్పత్తిని తీర్చిదిద్దడంలో సహాయపడింది మరియు తదుపరి కస్టమర్‌కు మెరుగైన ప్రారంభ స్థానాన్ని అందించింది.
థ్రైవ్ హోల్డింగ్స్‌తో కలిసి, క్రీట్‌కు చెందిన అకౌంటింగ్ సంస్థల కోసం Tax AIని రూపొందించేందుకు OpenAI FDEలు, పరిశోధకులు ఇంజనీర్‌లు, అకౌంటెంట్లతో కలిసి పనిచేశారు. దాని పైలట్ ప్రాజెక్ట్ సమయంలో, Tax AI 7,000 పన్ను రిటర్న్‌లను ప్రాసెస్ చేసి, థ్రూపుట్‌ను సుమారు 50% పెంచింది.
అద్దె ఆస్తుల రిటర్న్‌లను ఆటోమేట్ చేయడం అత్యంత కష్టతరమైన సవాళ్లలో ఒకటి, దీని కోసం 90% ఖచ్చితత్వం, ఇంకా రీకాల్‌ను సాధించడానికి ఆరు వారాల ఇంజనీరింగ్ మరియు నిపుణుల సమీక్ష అవసరమైంది. ఈ పని పునర్వినియోగించదగిన నమూనాలను సృష్టించింది, ఇవి Tax AIని ఇతర సంక్లిష్ట పన్ను షెడ్యూల్‌లకు విస్తరించడాన్ని సులభతరం చేశాయి.
బృందాలు ఇప్పుడు బుక్‌కీపింగ్, ఆడిట్ మరియు ఐటి సపోర్ట్‌కు అదే విధానాన్ని వర్తింపజేస్తున్నాయి—ప్రాక్టీషనర్ ఫీడ్‌బ్యాక్ మరియు వాస్తవ ప్రపంచ వినియోగం ద్వారా మెరుగుపడే వ్యవస్థలను నిర్మిస్తున్నాయి.
కొన్నిసార్లు మెరుగైన ఉత్పత్తి వల్ల మేము నిర్మించినదాన్ని సరళీకరించవచ్చు. కానీ మరికొన్నిసార్లు మోడల్‌కే ఆ పని చేసే సామర్థ్యం ఇంకా ఉండదు.
నేటి మోడళ్లతో ఇప్పటికే సాధ్యమయ్యేవాటినే నిర్మిస్తే, పరిశోధన బృందం తర్వాత పూరించాల్సిన ఇంటెలిజెన్స్ లోటుపాట్లను గుర్తించలేం. అందుకే మా ముఖ్యమైన ప్రాజెక్టుల్లో అనేకం ఆ పరిమితుల వద్దే మొదలవుతాయి. వాటిని కలిసి అధిగమించేందుకు కస్టమర్, ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్, పరిశోధన బృందం కట్టుబడి ఉంటారు.
మేము ఇప్పటికే ఒక పెద్ద టెలికమ్యూనికేషన్స్ కస్టమర్‌తో కలిసి కస్టమర్ సేవల వేదికను అభివృద్ధి చేశాం. వారు దాన్ని వాయిస్ సేవలకు విస్తరించాలని కోరుకున్నారు.
వారి కస్టమర్ సేవల కార్యకలాపాల్లో దాదాపు 90% వాయిస్ ద్వారానే జరిగేవి. చాట్‌తో పోలిస్తే ఈ అభ్యర్థనలను సిబ్బందికి బదిలీ చేయకుండా పరిష్కరించడం ఎక్కువ ఖర్చుతో కూడుకున్నది. యాసలను అర్థం చేసుకోవడం, స్వరం, ప్రతిస్పందన వేగం, ఖచ్చితత్వం వంటి అంశాలను వాస్తవ వినియోగానికి తగిన స్థాయికి తీసుకురావడంలోనూ అనేక కొత్త సాంకేతిక సవాళ్లు ఎదురయ్యాయి. దీన్ని సరిగ్గా అమలు చేయగలిగితే వారి బిజినెస్‌కు గణనీయమైన ప్రయోజనం కలిగేది.
పని పరిధిని నిర్ణయించే దశలో, మా మోడల్ వాస్తవ వినియోగంలో ఈ పని చేయగలదో లేదో అంచనా వేయడానికి ఉపయోగించిన కీలక మూల్యాంకనాల్లో దాదాపు 60% సాధించింది. దాని సామర్థ్యాల పరిమితి వరకు మేము వచ్చేశాం. కస్టమర్ సేవల సందర్భాల్లో ఫంక్షన్ కాలింగ్, సూచనలను అనుసరించడం మెరుగుపడాల్సి ఉంది.
ఆ విషయాన్ని కస్టమర్‌కు వివరించి, పరిశోధన బృందాన్ని ఈ పనిలో భాగస్వామిని చేశాం. ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ కస్టమర్‌తో కలిసి వేదికను నిర్మించి, మోడల్ ఏం చేయాలో నిర్వచించారు. సామర్థ్యాల్లోని లోటుపాట్లను పూరించేందుకు పరిశోధన బృందం పనిచేసింది. వరుసగా వచ్చిన మోడల్ సంస్కరణలతో కస్టమర్ అవసరాలకు అనుగుణంగా పురోగతిని పరీక్షించగలిగాం.
ఆరు నెలల్లో కీలక మూల్యాంకనాల్లో పనితీరు దాదాపు 60% నుంచి 80%కి, ఆపై 90%కి పైగా పెరిగి, వాస్తవ వినియోగానికి అవసరమైన స్థాయికి చేరింది.
ఆ కృషితో రూపొందిన వాయిస్ మోడల్ ఇప్పుడు ఆ కస్టమర్ అమలుతో పాటు, ఇతర కస్టమర్ల ప్రత్యేక సేవా వ్యవస్థలకు, ప్రెజెన్స్ ద్వారా నిర్వహించే అమలులకు కూడా తోడ్పడుతోంది. ఒక కస్టమర్ బిజినెస్‌లో ఎదురైన సమస్య, మరెందరికో ఉపయోగపడే మెరుగుదలలను గుర్తించడానికి సహాయపడింది.
ప్రతి ఒక్కరి పాత్ర ముఖ్యమైనదే. మోడల్ ఇంకా పరిష్కరించలేని సమస్యపై పనిచేయడానికి కస్టమర్ కట్టుబడ్డారు. ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్ కస్టమర్‌తో సన్నిహితంగా పనిచేసి సమస్యను నిర్వచించారు, వేదికను నిర్మించారు, ప్రాజెక్టును మొదటి నుంచి చివరి వరకు నడిపించారు. పరిశోధన బృందం అంతర్లీన మోడల్ సామర్థ్యాలను మెరుగుపరిచింది.
మా అవసరం లేకుండా చేయడానికి ఇది మరో మార్గం: నేటి మోడళ్లు పరిష్కరించలేని సమస్యను, భవిష్యత్ మోడళ్లు పరిష్కరించగల సామర్థ్యంగా మార్చడంలో సహాయపడటం. మా కృషి ఫలితం ఏ ఒక్క కస్టమర్‌తోనో మేము గడిపే గంటలకు మాత్రమే పరిమితం కాదు.
ప్రజల రోజువారీ పనిలో AI ఉపయోగపడేలా చేయడంలో తోడ్పడేందుకు నేను OpenAIలో చేరాను. ఇప్పటికీ అదే మా బృందానికి దిశానిర్దేశం చేస్తోంది. LLM అభివృద్ధిలో చాలా సందర్భాల్లో ఆకమ్ రేజర్ సూత్రం వర్తిస్తుందని నేను తరచూ బృందానికి చెబుతుంటాను. అంటే, అత్యంత సరళమైన పరిష్కారమే ఉత్తమమైనది. అత్యాధునిక పరిశోధనకు పేరుగాంచిన సంస్థలో, అతిశయోక్తులతో ప్రతిష్ఠ దెబ్బతిన్న పరిశ్రమలో మేము పనిచేస్తున్నాం. క్షేత్రస్థాయిలో పనిచేసేవారు ఆధారపడగల, నమ్మకంగా పనిచేసే పరిష్కారాలను నిర్మించాలనేది మా ఉద్దేశం.
ప్రతి ప్రాజెక్టు తర్వాతి పనిని మెరుగుపరచాలనేదే లక్ష్యం. అది మరింత సులభంగా అమలు చేయగల ఉత్పత్తి కావచ్చు, మరింత కఠినమైన పని చేయగల మోడల్ కావచ్చు, లేదా తదుపరి కస్టమర్ కోసం ప్రత్యేకంగా చేయాల్సిన పనిని తగ్గించడం కావచ్చు.
మీరు పరిష్కరించాలనుకుంటున్న కఠినమైన సమస్య ఏదైనా ఉంటే, మీతో కలిసి పనిచేయడానికి మేము ఆసక్తిగా ఉన్నాం. అలాంటి సమస్యలను పరిష్కరించడంలో తోడ్పడాలనుకుంటే, మా బృందంలో చేరడానికి మీకు స్వాగతం.
మరి మేము నెలల తరబడి నిర్మించిన వ్యవస్థ చేసే పనిని Codex చేయగలిగితే మేము ఏమి చేస్తాము?
ఇంకా కఠినమైన సమస్యను వెతకండి.
