لیگل آن: سافٹ ویئر سازی کی رفتار برقرار، Codex کی لاگت نصف
لیگل آن نے کام کے مطابق Astra، Sol اور Luna کا انتخاب اور حکمت عملی کے تحت بجٹ کا انتظام کرکے سافٹ ویئر کی تیاری کی رفتار برقرار رکھی اور لاگت 65% کم کی.
نتائج
-20%
مستحکم کاروباری شعبوں میں لاگت کی کمی
نتائج
-65%
تخمینی یومیہ لاگت میں کمی
لیگل آن ٹیکنالوجیز دنیا بھر میں پیشہ ورانہ مصنوعی ذہانت فراہم کرتی ہے، جو قانونی کام اور دیگر اہم کاروباری امور میں مدد دیتی ہے. شعبہ جاتی مہارت کو مصنوعی ذہانت سے جوڑ کر یہ لوگوں کو پیچیدہ معاملات کے تجزیے اور فیصلوں پر توجہ دینے کے قابل بناتی ہے. اس کا ہدف مصنوعی ذہانت پر مبنی انتظام ہے، جس سے کاروباری فیصلوں کا معیار اور رفتار بہتر ہوں.
یہ سوچ مصنوعات تک محدود نہیں، بلکہ خود ادارے کی بنیادوں میں مصنوعی ذہانت کو شامل کرنے تک پھیلی ہوئی ہے. کمپنی نے Codex کو سافٹ ویئر کی تیاری کے عمل میں شامل کیا اور روزمرہ استعمال کے ذریعے اسے پورے ادارے میں فروغ دیا.
استعمال بڑھنے کے ساتھ ایک نیا چیلنج سامنے آیا: لاگت پر قابو پانا. اعلیٰ کارکردگی والے ماڈلوں کا لامحدود استعمال اخراجات بڑھا سکتا تھا، جبکہ یکساں پابندیوں سے مصنوعی ذہانت کے باعث حاصل ہونے والی پیداواری صلاحیت متاثر ہونے کا خطرہ تھا.
سافٹ ویئر کی تیاری سست کیے بغیر لاگت کیسے کم کی جا سکتی تھی. لیگل آن ٹیکنالوجیز نے کام کی پیچیدگی اور تیاری کے مرحلے کے مطابق GPT‑6 (Astra، Luna) اور GPT‑6.1 Sol میں سے ماڈل منتخب کیے اور ہر کاروبار کی ترقی کے مرحلے کے لحاظ سے بجٹ مقرر کیے. کمپنی نے سافٹ ویئر کی تیاری کی رفتار برقرار رکھتے ہوئے لاگت نصف کر دی.
ابتدا میں کمپنی نے سافٹ ویئر بنانے والوں کو اپنے بنیادی ماڈل GPT‑5.5 تک فاسٹ موڈ میں لامحدود رسائی دی. انہوں نے اسے ڈیزائن، عمل درآمد اور روزمرہ کاموں میں استعمال کیا اور تجربات سے سیکھا کہ انسانوں اور مصنوعی ذہانت کے درمیان ذمہ داریاں بہتر طور پر کیسے بانٹی جائیں.
لیکن اعلیٰ کارکردگی والے ماڈلوں کا مسلسل لامحدود استعمال لازماً سالانہ بجٹ سے تجاوز کر جاتا. کمپنی کے مصنوعی ذہانت سے تقویت یافتہ سافٹ ویئر سازی کے مرکزِ مہارت (AID CoE) نے ماڈل کے انتخاب کے رہنما اصول بنانا شروع کیے. AID CoE نے ماڈلوں کی جانچ اور نگرانی کی، جبکہ منتظمین نے اس کے نتائج اپنی ٹیموں تک پہنچائے. اس سے ہر انجینئر اپنے طور پر ہر کام کے لیے موزوں ترین ماڈل منتخب کرنے کے قابل ہوا.
نئے رہنما اصولوں کی بدولت کمپنی ہر کام کے لیے سب سے طاقتور ماڈل استعمال کرنے کے بجائے اس کام کے لیے مناسب ماڈل چننے لگی. ٹیمیں کم وسائل استعمال کرنے والے ماڈل سے شروع کرتیں اور کام کی پیچیدگی بڑھنے پر زیادہ صلاحیت والے ماڈل اپناتیں.
انتظامی نگرانی مضبوط بنانے کے لیے کمپنی نے منتظم کی ترتیبات کے ذریعے نظام میں ضابطے بھی نافذ کیے اور شعبوں اور افراد کے لیے استعمال کی ماہانہ حدیں مقرر کیں. AID CoE استعمال کی نگرانی کرتا ہے اور کاروباری ضرورت کے مطابق حدیں بدلتا ہے.
ان ضابطوں کے تحت اندرونی جانچ سے انتخاب کے معیار مزید واضح ہوئے. سب سے کم وسائل استعمال کرنے والا ماڈل GPT‑6 Luna واضح تقاضوں کے مطابق کوڈ لکھتا ہے؛ GPT‑6.1 Sol عمومی ڈیزائن، اعداد و شمار کے تجزیے اور دستاویزات کی تیاری میں مدد دیتا ہے؛ اور سب سے زیادہ صلاحیت والا GPT‑6 Astra نظام کی ساخت کے ڈیزائن سمیت اعلیٰ سطح کے فیصلے کرتا ہے. کام کے مطابق ماڈل چننا رفتہ رفتہ تمام ٹیموں کا مشترکہ طریقۂ کار بن گیا.
GPT-6 Luna
Everyday execution and implementation; running everyday automations; delegating relatively simple tasks and analysis; code implementation, mainly as a subagent.
GPT-6.1 Sol
Standard design and analysis; relatively simple software design; routine numerical analysis and document creation; tasks requiring shorter completion times than with Luna.
GPT-6 Astra
Complex analysis, design, and orchestration; complex analysis and document creation; complex software design; coordinating agents as the orchestrator.
ماڈل کے انتخاب کے ساتھ کمپنی نے فاسٹ موڈ پر بطور طے شدہ ترتیب پابندی لگائی، اور صرف ضرورت پر انفرادی درخواستوں کی اجازت دی. اس تبدیلی سے تیاری کی رفتار کے بارے میں خدشات پیدا ہوئے، مگر ٹیموں نے بیک وقت کئی کام چلانے جیسے طریقوں سے کارکردگی برقرار رکھی اور تبدیلی آسانی سے اپنا لی.
کمپنی نے شعبوں، گروہوں اور افراد کی سطح پر مصنوعی ذہانت کے اخراجات کی بجٹ حدیں بھی مقرر کیں. لیگل آن کے مستحکم کاروبار سے لاگت کی کفایت میں تقریباً 20% تک بہتری لانے کو کہا گیا، جبکہ ابتدائی مرحلے کے نئے کاروباروں کو فراخ بجٹ ملا تاکہ مصنوعی ذہانت کے بھرپور استعمال کی حوصلہ افزائی ہو.
لیگل آن ٹیکنالوجیز کے سینئر انجینئرنگ مینیجر یوتا توکیتاکے بتاتے ہیں کہ نئے کاروباروں میں کم لاگت کے مقابلے میں کاروباری رفتار کو ترجیح دی گئی. مقصد مصنوعی ذہانت کے وسیع استعمال سے کام کی پیداوار بڑھانا اور بالآخر کاروبار کو ترقی دینا تھا.
ماڈل کے انتخاب، سہولتوں پر پابندیوں اور ہر کاروبار کے مطابق بجٹ نے مل کر تخمینی یومیہ لاگت تقریباً 65% کم کر دی. اس طریقے سے مجموعی بجٹ قابو میں رہا اور وسائل ان کاروباروں کی طرف گئے جنہیں کمپنی بڑھانا چاہتی تھی.
ماڈلوں کے بہتر استعمال اور حکمت عملی کے تحت وسائل کی تقسیم سے یہ نتائج حاصل ہوئے:
ہر کام کے لیے سب سے زیادہ صلاحیت والا ماڈل استعمال کرنے کے بجائے کام کی پیچیدگی اور تیاری کے مرحلے کے مطابق GPT‑6 Astra، GPT‑6.1 Sol یا GPT‑6 Luna کا انتخاب.
فاسٹ موڈ کو بطور طے شدہ ترتیب محدود کرنے کے بعد بھی بیک وقت کئی کام چلانے جیسے ٹیم کے طریقوں سے سافٹ ویئر سازی کی کارکردگی برقرار رہی.
ایسی بجٹ حدیں جن سے مستحکم کاروباروں میں تقریباً 20% زیادہ کفایت کے ساتھ نئے کاروباروں میں بھرپور سرمایہ کاری ممکن ہوئی.
GPT‑6 اور 6.1 ماڈلوں میں سے موزوں انتخاب کے باعث GPT‑5.5 کے مقابلے میں تخمینی یومیہ لاگت میں 65% کمی.
ماڈلوں کے بہتر استعمال سے کمپنی نے سافٹ ویئر کی تیاری کی رفتار یا معیار متاثر کیے بغیر لاگت کم کی. ٹیمیں یہ بھی دیکھ رہی ہیں کہ مصنوعی ذہانت تیاری سے اجرا تک کا دورانیہ مسلسل کم کر رہی ہے.
لیکن کمپنی کی نظر اس سے آگے ہے. کیا صرف تیز تیاری ہی مصنوعی ذہانت میں سرمایہ کاری کو کامیاب بنا دیتی ہے. تیز تیاری اور صارفین کو ملنے والے فائدے کا تعلق اب بھی واضح نہیں تھا. توکیتاکے کہتے ہیں، ”یہ بات تقریباً طے ہے کہ مصنوعی ذہانت نظام کی تیاری اور تجدید کو تیز کر سکتی ہے.“ ”ہم دراصل یہ سمجھنا چاہتے ہیں کہ کیا اس تیز تیاری سے واقعی صارفین کو فائدہ پہنچتا ہے.“
اس سوال پر کمپنی نے اپنا پیمانہ تیار کرنے کا فیصلہ کیا، تاکہ مصنوعی ذہانت میں سرمایہ کاری کو تیاری کی رفتار اور استعمال کی مقدار کے بجائے صارفین کو ملنے والے فائدے سے جانچا جائے.
توکیتاکے وضاحت کرتے ہیں: ”مصنوعی ذہانت استعمال کرتے وقت ہم الگ الگ کاموں کی لاگت معلوم کر سکتے ہیں، مگر ایک مکمل کام، یعنی کسی سہولت کے اجرا، کی کل لاگت اکثر واضح نہیں ہوتی. اس لیے ہم نے ہر سہولت کے اجرا کو ایک اکائی مان کر پیمائش کا طریقہ بنایا. اس اجرا سے صارفین کو ملنے والے فائدے کو اس پر مصنوعی ذہانت کے حقیقی اخراجات سے جوڑ کر ہم سرمایہ کاری کے منافع کو واضح اور درست طور پر ظاہر کرنا چاہتے ہیں.“
کمپنی فی الحال اس پیمانے کا حساب لگانے کے لیے معلومات کی ترسیل اور تجزیے کا نظام بنا رہی ہے. مکمل ہونے پر یہ صارفین کو پہنچنے والے فائدے کے لحاظ سے سرمایہ کاری کا حقیقی منافع واضح کرے گا. لیگل آن ٹیکنالوجیز مصنوعی ذہانت کی لاگت سنبھالنے سے آگے بڑھ کر ٹیکنالوجی میں سرمایہ کاری کو براہِ راست کاروباری فائدے سے جوڑ رہی ہے.
اگلا ہدف انفرادی انجینئروں کی مصنوعی ذہانت سے متعلق مہارت کو پورے ادارے کی صلاحیت بنانا ہے. پہلے قدم کے طور پر کمپنی عملی تجربات جمع کرنے اور بانٹنے کے لیے ایک علمی ذخیرہ بنانے کا ارادہ رکھتی ہے. اس میں ڈیزائن، عمل درآمد اور جائزے کے لیے ماڈلوں کے بہترین امتزاج جیسی معلومات جمع ہوں گی، اور انفرادی کامیابیاں تیزی سے پوری کمپنی کے بہترین طریقۂ کار کا حصہ بنیں گی.
ٹیموں کے عملی تجربے سے آنے والی یہ تبدیلیاں ادارے کی ساخت اور بھرتی کو بھی نئی شکل دے رہی ہیں. مصنوعی ذہانت سے پیداواری صلاحیت بڑھنے پر کمپنی انسانوں اور مصنوعی ذہانت کے درمیان کام کی تقسیم اور افرادی قوت کے منصوبوں پر بنیادی طور پر نظرثانی کر رہی ہے. سرمایہ کاری کی حکمت عملی اور ادارے کی ساخت بدلنے کے ساتھ، کمپنی نے بھرتی میں مصنوعی ذہانت کی مہارتوں پر زور دینا شروع کر دیا ہے.
مصنوعی ذہانت کے استعمال کو دیرپا مسابقتی برتری بنانے کے لیے انتظامی نگرانی اور ٹیموں کی عملی آزادی کے درمیان توازن مسلسل بہتر بنانا ضروری ہے. AID CoE اور تحفظ کی ٹیم مل کر مختلف پہلوؤں سے کارکردگی، لاگت اور خطرات میں بہتری لا رہی ہیں، اور ایسا لچک دار ڈھانچہ بنا رہی ہیں جو پورے ادارے میں تجربات کی حمایت کرے.
”ضابطوں اور بجٹ کے ذریعے حد سے زیادہ پابندیاں کسی ادارے کی پیش رفت سست کر سکتی ہیں. ہمیں ایسا لچک دار طریقۂ کار چاہیے جو خطرات پر قابو پانے اور ٹیموں کو درکار رفتار کے درمیان مؤثر توازن قائم رکھے.“
