Fyxer สร้างผู้ช่วยผู้บริหาร AI ที่คนไว้วางใจได้อย่างไร

สำหรับคนทำงานจำนวนมาก แต่ละวันต้องคอยติดตามทั้งเรื่องที่พูดคุยและสิ่งที่ตกลงกันไว้จากอีเมล การประชุม ข้อความ และแอปต่างๆ หากไม่มีบริบทที่ชัดเจนและครบถ้วน เรื่องสำคัญก็อาจตกหล่นและไม่ได้รับการจัดการ จนกระทบต่อทั้งงานและความสัมพันธ์

Fyxer พัฒนาผู้ช่วยผู้บริหาร AI ที่ตามบริบทของงานได้ต่อเนื่อง แม้ผู้ใช้จะสลับไปมาระหว่างเครื่องมือต่างๆ ระบบผสานโมเดลล่าสุดของ OpenAI กับข้อมูลกว่า 500,000 ชั่วโมงจากการทำงานของผู้ช่วยผู้บริหาร พร้อมแบ่งงานให้โมเดลเฉพาะทางหลายสิบโมเดลที่เรียนรู้และพัฒนาจากข้อมูลตอบรับของผู้ใช้จริง

อีเมลเป็นหนึ่งในกรณีที่สะท้อนความท้าทายนี้ได้ชัดเจนที่สุด แม้คนสองคนจะได้รับอีเมลฉบับเดียวกัน แต่คำตอบที่เหมาะสมอาจแตกต่างกันอย่างมากตามความสัมพันธ์ บริบทจากสิ่งที่เกิดขึ้นก่อนหน้า และสิ่งที่แต่ละคนต้องการทำให้สำเร็จ ด้วยเหตุนี้ งานที่ดูเหมือนง่ายจึงอาจซับซ้อนกว่าที่คิดมากสำหรับ AI

“มีแนวคิดหนึ่งที่เรียกว่าปฏิทรรศน์ของ Moravec” Archie Hollingsworth ผู้ร่วมก่อตั้ง Fyxer อธิบาย “สิ่งที่มนุษย์มองว่าง่ายกลับเป็นเรื่องยากสำหรับคอมพิวเตอร์ ส่วนสิ่งที่คอมพิวเตอร์มองว่าง่ายกลับเป็นเรื่องยากสำหรับมนุษย์” Fyxer รับมือกับความซับซ้อนนี้ด้วยการเรียนรู้วิธีการทำงานของผู้ใช้แต่ละคน เพื่อให้สามารถตอบสนองได้เหมือนผู้ช่วยที่รู้อยู่แล้วว่าเรื่องใดสำคัญ

โมเดลระดับแนวหน้าของ OpenAI ช่วยขับเคลื่อนองค์ประกอบสำคัญของ Fyxer ตั้งแต่การทำความเข้าใจเนื้อหาอีเมล ค้นหาบริบทที่เหมาะสม ไปจนถึงการสร้างร่างข้อความ Fyxer เลือก OpenAI เพราะโมเดลให้ผลดีที่สุดจากการทดสอบภายในของบริษัท สามารถปรับแต่งให้เหมาะกับงานที่ต้องอาศัยการตีความ เช่น น้ำเสียงและเจตนาได้อย่างมีประสิทธิภาพ และยังมีทีมวิศวกรรมที่เข้ามาช่วยคิดและแก้ปัญหาร่วมกันอย่างใกล้ชิด

แนวทางของ Fyxer มอบบทเรียนสามข้อสำหรับผู้ก่อตั้งที่กำลังสร้างผลิตภัณฑ์ AI ซึ่งต้องอาศัยบริบทอย่างมาก ได้แก่

ระบบของ Fyxer ประกอบด้วยโมเดลเฉพาะทาง 30–50 โมเดล โดยแต่ละโมเดลมีหน้าที่เฉพาะในกระบวนการจัดการอีเมล แทนที่จะมองว่าอีเมลเป็นเพียงงานสร้างข้อความ Fyxer แยกโจทย์ออกเป็นการคาดการณ์และตัดสินใจหลายขั้นตอน เช่น พิจารณาว่าข้อความใดจำเป็นต้องตอบกลับ หรือร่างคำตอบให้สอดคล้องกับน้ำเสียงและบริบทของผู้ใช้

“การแยกโจทย์ออกเป็นงานย่อยแล้วใช้โมเดลหลายโมเดลช่วยกันจัดการ ได้ผลดีกว่าการขอให้โมเดลเดียวเขียนอีเมลดีๆ ขึ้นมาทั้งฉบับมาก” Hollingsworth อธิบาย

เมื่อมีอีเมลใหม่เข้ามา โมเดลตัดสินใจเรื่องการตอบกลับจะจำแนกข้อความว่า ต้องตอบกลับ ต้องดำเนินการจัดตารางเวลา หรือเป็นเพียงข้อมูลที่ผู้ใช้ควรเห็น

หากต้องตอบกลับ โมเดลเพิ่มเติมจะวิเคราะห์เจตนาของอีเมลและคาดการณ์ผลลัพธ์ที่น่าจะเกิดขึ้นจากการโต้ตอบ โมเดลเหล่านี้จะระบุรูปแบบต่างๆ เช่น บทสนทนากำลังนำไปสู่การนัดประชุม การจัดการคำขอ หรือการสานต่อบทสนทนาในความสัมพันธ์ระยะยาว

ความจำเป็นหนึ่งในส่วนที่สำคัญที่สุดของระบบ Fyxer ต้องพิจารณาว่ารายละเอียดใดควรจดจำไว้เพื่อใช้ในการสนทนาครั้งต่อๆ ไป และรายละเอียดใดควรใช้เฉพาะการโต้ตอบครั้งนั้น เมื่อมีอีเมลใหม่เข้ามา โมเดลสำหรับค้นคืนข้อมูลจะนำอีเมลไปเปรียบเทียบกับการโต้ตอบที่จัดเก็บไว้ และดึงความจำที่เกี่ยวข้องกับบุคคลและเธรดนั้นมากที่สุดมาใช้

โมเดลของ OpenAI มีบทบาทในหลายขั้นตอนของระบบ Fyxer “เราใช้โมเดลของ OpenAI ตั้งแต่การอ่านและทำความเข้าใจว่าอีเมลพูดถึงอะไร ไปจนถึงการดึงบริบทที่ต้องการนำมาใช้และจัดอันดับใหม่ รวมถึงการสร้างอีเมลในขั้นตอนสุดท้าย” Shantsila กล่าว

ก่อนจะเปิดตัวผลิตภัณฑ์ AI Fyxer มีประสบการณ์ให้บริการผู้ช่วยผู้บริหารโดยใช้คนจริงมาหลายปี ทำให้ทีมค่อยๆ สั่งสมชุดข้อมูลจากการทำงานของผู้บริหารที่ผ่านการกำกับข้อมูลมากกว่า 500,000 ชั่วโมง ซึ่งสะท้อนให้เห็นว่าผู้ช่วยตัวจริงจัดการการสื่อสารในการทำงานอย่างไร

ตัวอย่างเหล่านี้ทำให้ Fyxer มีข้อมูลสำหรับฝึก AI ที่มาจากการทำงานจริงโดยตรง และยังสะท้อนรายละเอียดในการตัดสินใจที่อยู่เบื้องหลังการตอบกลับที่เหมาะสม เช่น ควรตอบทันทีหรือรอก่อน ควรนำบทสนทนาก่อนหน้าส่วนใดมาประกอบ และคำขอแบบเดียวกันควรตอบอย่างไรให้เหมาะกับแต่ละคน

Fyxer ใช้การปรับแต่งโมเดลแบบมีผู้สอนและ Low-Rank Adaptation (LoRA) ในระบบโดยรวม เพื่อสร้างโมเดลรุ่นต่างๆ สำหรับงานเฉพาะทาง พร้อมควบคุมต้นทุนการฝึก ในช่วงแรกของการพัฒนาผลิตภัณฑ์ ทีมใช้แพลตฟอร์มปรับแต่งโมเดลของ OpenAI กับงานที่ต้องการความแม่นยำสูง ไม่นานมานี้ Fyxer ได้ทำงานร่วมกับทีมบริการปรับแต่งโมเดลของ OpenAI เพื่อนำเช็กพอยต์ใหม่ไปใช้งานจริง

ก่อนนำโมเดลใดไปใช้งานจริง Fyxer จะประเมินโมเดลด้วยชุดข้อมูลสำหรับตรวจสอบประสิทธิภาพที่สร้างขึ้นจากงานอีเมลของ Fyxer โดยเฉพาะ ซึ่งครอบคลุมทั้งการร่างข้อความ การจัดประเภท และการจัดลำดับความสำคัญ ทีมจะพิจารณาทั้งความแม่นยำ ระยะเวลาในการตอบกลับ และต้นทุนควบคู่กัน เนื่องจากโมเดลที่เหมาะสมที่สุดอาจแตกต่างกันไปตามประเภทของงาน

หลังจากเปิดใช้งานแล้ว ระบบของ Fyxer จะเรียนรู้และพัฒนาต่อจากการใช้งานจริงของผู้ใช้ หากผู้ใช้แก้ไขร่างอีเมลก่อนส่ง สิ่งที่เปลี่ยนไปจากร่างเดิมจนกลายเป็นอีเมลฉบับสุดท้ายจะบอกได้ว่าผู้ใช้ชอบผลลัพธ์แบบไหนมากกว่า

Fyxer นำข้อมูลจากการเปรียบเทียบเหล่านี้มาสร้างเป็นข้อมูลสำหรับฝึกโมเดลด้วย Direct Preference Optimization (DPO) แทนที่จะต้องกำกับข้อมูลทุกตัวอย่างด้วยตนเอง โมเดลจะเรียนรู้จากผลลัพธ์ที่จับคู่กัน ได้แก่ ร่างต้นฉบับที่ AI สร้างและฉบับที่ผู้ใช้แก้ไข

ทุกการเปลี่ยนแปลงที่เกี่ยวกับการร่างอีเมลจะต้องผ่านการทดสอบ A/B โดย Fyxer จะนำเวอร์ชันใหม่ไปใช้จริงก็ต่อเมื่อผลการทดสอบแสดงให้เห็นว่าประสิทธิภาพดีขึ้นอย่างมีนัยสำคัญทางสถิติ และด้วยจำนวนผู้ใช้ที่มาก ทีมจึงสามารถเก็บข้อมูลจนถึงเกณฑ์ดังกล่าวได้ภายในวันเดียวในบางครั้ง

ปัจจุบัน ร่างอีเมลที่ AI ของ Fyxer สร้างขึ้น 53% ได้รับการยอมรับโดยไม่มีการแก้ไข สะท้อนให้เห็นว่าระบบสามารถเข้าใจได้อย่างถูกต้องว่าผู้ใช้ต้องการสื่ออะไรและควรใช้น้ำเสียงแบบไหนในบทสนทนาจริงจำนวนมาก เฉพาะในปี 2568 รายได้ประจำต่อปีของ Fyxer เติบโตจาก 1 ล้านดอลลาร์เป็น 32 ล้านดอลลาร์

สำหรับ Hollingsworth สิ่งที่บ่งบอกความสำเร็จได้ดียิ่งกว่าคือการที่ผู้ใช้ยังคงใช้งาน Fyxer ต่อไป ลูกค้าจำนวนมากของ Fyxer ไม่ได้เชี่ยวชาญด้านเทคนิค และสำหรับบางคน Fyxer ยังเป็นระบบ AI แรกที่พวกเขาใช้ในชีวิตประจำวัน

ในระยะต่อไป Fyxer มุ่งพัฒนาให้ผู้ช่วยเข้าใจบริบทของผู้ใช้ได้ลึกยิ่งขึ้น ทั้งความสัมพันธ์ ความชอบ และเรื่องต่าง ๆ ที่กำลังดำเนินอยู่ พร้อมขยายความสามารถจากการร่างข้อความตอบกลับไปสู่ผู้ช่วย AI ที่สามารถช่วยรับผิดชอบงานด้านการสื่อสารและการประสานงานของผู้ใช้ได้มากกว่าเดิม

“วิสัยทัศน์ของเราคือการช่วยให้ลูกค้าได้ใช้เวลากับงานที่พวกเขารักอย่างเต็มที่ที่สุด” Hollingsworth กล่าว “เราอยากไปให้ถึงจุดที่พวกเขาไม่ต้องเปิดคอมพิวเตอร์ขึ้นมาจัดการเรื่องเหล่านี้ด้วยตัวเองอีก และวางใจให้ Fyxer ดูแลทั้งหมดแทนได้”