OpenAI માં ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર નો અર્થ શું થાય છે
અમે શું કરીએ છીએ, કેવી રીતે કામ કરીએ છીએ અને સંસ્થાઓની સૌથી અઘરી સમસ્યાઓ ઉકેલીને વાસ્તવિક અસર કેવી રીતે સર્જીએ છીએ.
લેખક: કોલિન જાર્વિસ, OpenAI માં ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરિંગના વડા
Codex આવ્યું ત્યારે ટીમના એક સભ્યે મને પૂછ્યું, “જે ઉપયોગો માટે ઉકેલ બનાવવામાં આપણે છેલ્લા થોડા મહિનાઓ ગાળ્યા, તે Codex વન-શોટ માં કરી શકે ત્યારે આપણે શું કરીશું?”
આ પ્રશ્ન OpenAI માં ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર હોવાનો મૂળ અર્થ સ્પષ્ટ કરે છે. અમે ગ્રાહકો સાથે મળીને તેમની સૌથી અઘરી સમસ્યાઓ સમજીએ છીએ અને તેઓ ભરોસો રાખી શકે એવા solutions બનાવીએ છીએ. અમે જે શીખીએ છીએ તે અમારી પ્રોડક્ટ્સને આકાર આપવામાં મદદ કરે છે અને સંશોધન ટીમને ઉકેલવા માટે ચોક્કસ સમસ્યાઓ આપે છે.
એ જ પ્રગતિ છે. જો અમે દર બે-એક મહિને પોતાની જરૂરિયાત દૂર કરી શકીએ, તો અમારી ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર ની ટીમ પોતાનું કામ બરાબર કરી રહી છે.
મેં 2025 ની શરૂઆતમાં આ ટીમ બનાવી હતી, જેથી અમે જેને “અમલીકરણનું અંતર” કહીએ છીએ તે ઘટાડી શકાય: મોડલ જે કરવા સક્ષમ દેખાય છે અને લોકો પોતાનું કામ કરવા માટે જેનો વિશ્વસનીય રીતે ઉપયોગ કરી શકે છે, તે વચ્ચેનું અંતર.
મોડલની ક્ષમતાઓ, તેમને ઉપયોગમાં લેવા માટે જરૂરી પ્રણાલીઓ અને પ્રક્રિયાઓ કરતાં વધુ ઝડપથી આગળ વધી છે. ક્યારેક ખૂટતી કડી કોઈ પ્રોડક્ટ હોય છે. ક્યારેક મોડલ માપદંડ પરીક્ષણમાં સારું પ્રદર્શન કરે છે, પણ વાસ્તવિક જીવનનાં બદલાતાં પરિબળો અને મર્યાદાઓ વચ્ચે કામ કરી શકતું નથી.
અમે ગ્રાહકોની સૌથી અઘરી સમસ્યાઓ પર ધ્યાન કેન્દ્રિત કરીએ છીએ. જ્યાં અમારા મોડલ આજે કામ કરી શકે છે, ત્યાં અમે પ્રોડક્ટ ટીમ અને ગ્રાહક સાથે મળીને solution ને વારંવાર ઉપયોગમાં લઈ શકાય એવો બનાવીએ છીએ. જ્યાં મોડલ ઊણાં ઊતરે છે, ત્યાં અમે ગ્રાહકો અને સંશોધન ટીમ સાથે મળીને ઊણપ સ્પષ્ટ કરીએ છીએ અને સુધારા લાવીએ છીએ. અમારું લક્ષ્ય છે—દરેક સહયોગ પછીના ગ્રાહકને વધુ સારી શરૂઆત આપે. જો અમે મૂળભૂત ક્ષમતા એટલી વધારી શકીએ કે આગલી વખતે આવી સમસ્યા ઉકેલવા ગ્રાહકોને ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરોની જરૂર ન પડે, તો અમે અમારું કામ સારી રીતે કર્યું છે.
200 વર્ષ જૂના કૃષિ વ્યવસાય ધરાવતા જૉન ડિયર સામેનો પડકાર હતો: ખેડૂતોને તેમની વ્યક્તિગત જરૂરિયાત મુજબ સલાહ આપવાની સેવા મોટા પાયે કેવી રીતે પૂરી પાડવી.
તેનું એક ઉદાહરણ છે સી ઍન્ડ સ્પ્રે, નીંદણના ચોક્કસ નિયંત્રણ માટેની તેમની તકનીક. તે કેમેરા અને મશીન લર્નિંગ વડે નીંદણ ઓળખે છે અને આખા ખેતરને બદલે માત્ર નીંદણ પર છંટકાવ કરે છે, જેથી રસાયણોનો વપરાશ 70% સુધી ઘટે છે.
પરંતુ આ લાભો મેળવવા માટે ખેડૂતોએ આ તકનીકની ગોઠવણી કેવી રીતે કરવી, મોસમનું આયોજન કેવી રીતે કરવું અને પરિસ્થિતિ બદલાય તેમ પોતાની પદ્ધતિઓમાં કેવી રીતે ફેરફાર કરવો તે જાણવું જરૂરી છે.
આ સહાયને વ્યક્તિગત જરૂરિયાતોને અનુરૂપ અને મોટા પાયે ઉપલબ્ધ બનાવવા માટે જૉન ડિયરે OpenAI ની એપીઆઈનો ઉપયોગ કર્યો.
AI ખેડૂતોના પ્રશ્નોના જવાબ સ્વાભાવિક ભાષામાં આપી શકે છે, તેમની જરૂરિયાત મુજબ ગોઠવણીનું માર્ગદર્શન અને ભલામણો આપી શકે છે, સાધનો ક્યારે તેમની પૂરી ક્ષમતા મુજબ કામ ન કરતાં હોય તે ઓળખી શકે છે અને આ તકનીકથી તેમને શું લાભ મળે છે તે સમજવામાં મદદ કરી શકે છે.
આ તક કોઈ એક સંવાદ પૂરતી સીમિત નથી: ગ્રાહક તરીકેના સમગ્ર અનુભવ દરમિયાન યોગ્ય માર્ગદર્શન આપીને ખેડૂતોને તેમના સાધનોનો વધુ સારો ઉપયોગ કરવામાં મદદ કરી શકાય છે, સાથે કાર્યક્ષમતા અને પર્યાવરણીય ટકાઉપણું પણ સુધારી શકાય છે.
OpenAI ના ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરો આવા જ પડકારો ઉકેલવા કામ કરે છે: સંસ્થાઓને AIની ક્ષમતાઓમાંથી એવી પ્રણાલીઓ બનાવવામાં મદદ કરવી જે વાસ્તવિક દુનિયાની જટિલ પરિસ્થિતિઓમાં વ્યવહારુ લાભ આપે.
પરંતુ ઘણી વાર સમસ્યાઓ સ્પષ્ટ રીતે વ્યાખ્યાયિત હોતી નથી, સાચું શું છે તેનો સ્થાપિત આધાર ન પણ હોય અને કોઈ તૈયાર માર્ગદર્શિકા પણ હોતી નથી. દરેક વ્યક્તિ એવું કંઈક બનાવવા માગે છે જે પહેલાં ક્યારેય બન્યું ન હોય. પરંતુ ત્યાં પહોંચવા માટે જે કરવું પડે તે કરવા ઓછા લોકો તૈયાર હોય છે.
પ્રતિભાશાળી ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરો શોધવાની સાથે “પૂરતું સારું” ગણાય તેનું ધોરણ ઊંચું લાવવા સતત પ્રયોગો અને વ્યવહારુ અમલ કરવો પડ્યો છે.
ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર ની ટીમના દરેક સત્રની શરૂઆતમાં હું એક મૂળભૂત મૂલ્ય દર્શાવતી સ્લાઇડ રજૂ કરું છું: “ઇચ્છિત પરિણામથી શરૂઆત કરો, સફળ થવા માટે જે જરૂરી હોય તે કરો અને પછી તેનો વ્યાપ વધારો”.
પ્રભાવશાળી પ્રદર્શન જોઈને લોકો બહુ આગળ વધી શકે છે, એ વાસ્તવિક દુનિયામાં કામ કરે છે કે નહીં એવો પ્રશ્ન કોઈ પૂછે તે પહેલાં જ.
અમારું કામ ગ્રાહકની સમસ્યાનો એવો ઉકેલ આપવાનું છે, જેની ગુણવત્તાની જવાબદારી અમે વાસ્તવિક ઉપયોગમાં પણ લઈ શકીએ.
2025 ના મધ્યમાં અમારા લગભગ 15 ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરો એક મોટી સેમિકન્ડક્ટર કંપની સાથે 10થી વધુ ઉપયોગો પર કામ કરી રહ્યા હતા. તેમની ચકાસણી પ્રક્રિયાને મૂળથી જ AI આધારિત બનાવવાની મહત્ત્વાકાંક્ષા હતી, જેમાં આ બાબતો સામેલ હતી:
ચોક્કસ લક્ષ્યને ધ્યાનમાં રાખીને પરીક્ષણો બનાવવાં
મૂળ કારણનું વિશ્લેષણ અને ખામીઓ શોધીને દૂર કરવી
સંરચના માટે સહાયક
આ ઇન્ડ્સ્ટ્રીમાં કોઈ પ્રોજેક્ટના કુલ શ્રમમાંથી લગભગ 70% ચકાસણી પાછળ લાગી શકે છે. તક બહુ મોટી હતી અને શરૂઆત કરવા માટે અનેક વિકલ્પો હતા.
કેટલાક ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરો થોડા દિવસ પહેલાં જ OpenAI માં જોડાયા હતા અને તેમણે સેમિકન્ડક્ટર ક્ષેત્રમાં ક્યારેય કામ કર્યું નહોતું. તેઓ ગ્રાહકની ચકાસણી ટીમ સાથે રહીને કામ કરવા લાગ્યા, ફાજલ સમયમાં ચિપ ડિઝાઇનનો અભ્યાસ કર્યો અને AI ઉપયોગી પરીક્ષણો બનાવી શકે છે કે નહીં તથા ચિપની નિષ્ફળતાઓનું સાચું નિદાન કરી શકે છે કે નહીં તે ચકાસવા એન્જિનિયરો સાથે મળીને મૂલ્યાંકનો તૈયાર કર્યાં.
આ શીખવાની પ્રક્રિયાની સાથે અમે દરેક ઉપયોગની જરૂરિયાત મુજબ અલગ કાર્યપ્રણાલીઓ બનાવી. પહેલા 3 થી 6 મહિનામાં તે બધાં વાસ્તવિક ઉપયોગમાં આવ્યાં અને પ્રારંભિક વપરાશકર્તાઓએ તેમને અપનાવ્યાં. આ મહેનતનાં ફળ આંકડાઓમાં દેખાયાં:
AI વડે ચોક્કસ લક્ષ્યને અનુરૂપ પરીક્ષણો બનાવવાથી લગભગ 48% સમય બચ્યો.
કર્નલને વધુ કાર્યક્ષમ બનાવવાથી પ્રદર્શનમાં 22%નો મધ્યક સુધારો થયો.
ખામીઓ શોધીને દૂર કરવામાં અઠવાડિયાંને બદલે કલાકો લાગવા લાગ્યા
અમે આ બધું રજૂ કર્યું ત્યારે મુખ્ય હાર્ડવેર અધિકારીએ પૂછ્યું, “અહીં આવતાં પહેલાં તમે ચિપ ડિઝાઇનર તરીકે કામ કરતા હતા?”
અમારા ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરોને પહેલા જ દિવસે ઉદ્યોગની જાણકારી હોવી જરૂરી નથી, પરંતુ તે શીખવાની જવાબદારી તેમની છે.
કોડિંગ સહાયકો સૉફ્ટવેરના ઘડતરને વધુ ઝડપી બનાવતા હોવાથી, ગ્રાહકના વ્યવસાયને સમજવો વધુ મહત્ત્વનો બને છે. અમે વ્યાપક જાણકારી ધરાવતા લોકો અને વિષયનિષ્ણાતોને સાથે રાખીને ટીમો બનાવીએ છીએ.
તમારી પાસે યોગ્ય નિર્ણયો લેવા પૂરતી જાણકારી અને હાલની સ્થિતિ વિશેની ધારણાઓને પ્રશ્ન કરવા પૂરતી જિજ્ઞાસા હોવી જોઈએ.
ઉદાહરણ તરીકે, જીવનવિજ્ઞાનમાં અમારા ફોરવર્ડ ડિપ્લોયડ એન્જિનિયરોની વૈજ્ઞાનિક પૃષ્ઠભૂમિ તેમને નવી દવાઓની શોધના પૂર્વ-નૈદાનિક તબક્કે કામ કરતા સંશોધકોનો વિશ્વાસ જીતવામાં મદદ કરે છે. આ કામમાં દવાનાં જૈવિક લક્ષ્યોની માન્યતા ચકાસવી અને અગ્રતા નક્કી કરવી, જનીન-અભિવ્યક્તિનું વિશ્લેષણ અને રાસાયણિક સંશ્લેષણના માર્ગનું પુનર્નિર્માણ જેવી બાબતો સામેલ છે. આ કુશળતાથી તેઓ આ કાર્યપ્રક્રિયાઓ કેવી રીતે સુધરી શકે તે અંગે જાણકારી આધારિત અભિપ્રાય આપી શકે છે.
અમે બતાવી દીધું હતું કે આ કાર્યપ્રક્રિયાઓ લાભ આપી શકે છે, પરંતુ દરેકને બીજી ટીમ સુધી વિસ્તારવા માટે હજી પણ તેમની જરૂરિયાત મુજબ ઘણું એકીકરણ કરવું પડતું હતું. હવેનો પડકાર એ હતો કે આ પરિણામો જાળવી રાખીને સૉફ્ટવેરનો અમલ અને જાળવણી સરળ બનાવવાં.
ત્યાં સુધીમાં Codex ની ક્ષમતા વધી ગઈ હતી. એક ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર એ તેના આધારે પોતાની ઍપ્લિકેશન ફરી બનાવવાનો પ્રયોગ કર્યો. પછી ટીમ સાથે મળીને જુદા જુદા ઉપયોગોને એવી સહિયારી કાર્યપ્રણાલી પર ખસેડ્યા જેના કેન્દ્રમાં Codex હતું.
જરૂરિયાત મુજબ બનાવેલી ઍપ્લિકેશનો, Codex ના સહિયારા મૂળભૂત ઘટકો પર બનેલાં પ્લગઇન અને કૌશલ્યોમાં ફેરવાઈ. Codex વપરાશકર્તા સાથેની ક્રિયાપ્રતિક્રિયાનું માધ્યમ પણ બન્યું, જેથી અમે અલગ અલગ ઉપયોગો માટે લખેલા ટર્મિનલ વપરાશકર્તા ઇન્ટરફેસ અને કમાન્ડ-લાઇન ઇન્ટરફેસ બંધ કરી શક્યા.
અમે દરેક પ્રોજેક્ટમાંથી ખાસ લખાયેલો લગભગ 90% કોડ દૂર કરી શક્યા જેથી આ કાર્યપ્રક્રિયાઓ બનાવવાની, જાળવવાની અને વિસ્તારવાની અમારી રીત બદલાઈ ગઈ:
અમે Codex માં કેન્દ્રીય સ્તરે થતા સુધારાનો લાભ લઈ શક્યા, જેથી દરેક ઉપયોગ માટે જુદા ઘટકોને જોડવા જરૂરી કોડનું પ્રમાણ ઘટ્યું
મુખ્ય સુવિધાઓને કૌશલ્યો અને પ્લગઇન તરીકે એકત્ર કરવામાં આવી, જેથી તેમને એકબીજા સાથે વહેંચવાનું અને AI ઉત્કૃષ્ટતા કેન્દ્ર દ્વારા કેન્દ્રીય રીતે નિયંત્રિત કરવાનું સરળ બન્યું. આનો અર્થ એ હતો કે એક ટીમથી બીજી ટીમ સુધી આ વ્યવસ્થાનો વિસ્તાર કરવો એટલો સરળ બની શકે કે માત્ર નવા કનેક્ટર્સ/MCP સર્વર્સ ઉમેરવા, નવા મૂલ્યાંકનો (evals) તૈયાર કરવા (જેના માટે અમારી પાસે એક સ્કિલ પણ હતી) અને કામ શરૂ કરી દેવું.
ઑગસ્ટ 2026 ના એક ઉદાહરણમાં પ્રારંભિક અમલમાં બે મહિના લાગ્યા હતા. બીજી ટીમ સુધી એ solution વિસ્તારવામાં એક દિવસ લાગ્યો. અમે વ્યાપ વધાર્યો તેમ પછીની ટીમો વધુ ઝડપથી કામ શરૂ કરી શકી— આ ક્રમ ચાલુ રહ્યો છે: ઑગસ્ટ 2026 ના એક ઉપયોગમાં પ્રારંભિક અમલને 2 મહિના લાગ્યા પછી બીજી ટીમને માત્ર 1 દિવસ લાગ્યો.
આ રીતે અમે પોતાની જરૂરિયાત જ દૂર કરી શકીએ છીએ. વાસ્તવિક ઉપયોગ સુધી પહોંચવા માટે અમે કરેલા કામથી શું મહત્ત્વનું છે તે સ્પષ્ટ થયું હતું. પાયાની પ્રોડક્ટમાં સુધારો થતો ગયો તેમ, અમે પોતે ખાસ બનાવેલી પ્રણાલીના મોટા ભાગને બદલી શક્યા અને તેનાથી મળતા લાભો પણ જાળવી શક્યા.
એટલે જ ક્રમ મહત્ત્વનો છે. LLM થી અમે ઝડપથી નિર્માણ કરી શકીએ છીએ. આ ઝડપનો ઉપયોગ કરીને વપરાશકર્તાઓને કંઈક ઉપયોગી આપો, વ્યવહારમાં શું ટકી રહે છે તે શીખો અને પછી જે કામ કરે તેનો વ્યાપ વધારો.
આ જ સિદ્ધાંત ગ્રાહકો સાથેના દરેક સહયોગને લાગુ પડે છે.
એન્ટરપ્રાઇઝ વોઇસ અને ચેટ agents માટેની અમારી પ્રોડક્ટ, OpenAI Presence, વાસ્તવિક ગ્રાહક ડિપ્લોયમેન્ટમાંથી ઉભરી આવી છે. આ કાર્ય સ્વોર્મથી(નવી વિન્ડોમાં ખૂલે છે) શરૂ થયું અનેે aa દ્વારા વિકસિત થયું એજન્ટ્સ API, અને આજે એક ગ્રાહક તેના અડધાથી વધુ કોલ્સ AI સાથે હેન્ડલ કરે છે.
તે ડિપ્લોયમેન્ટ્સને ઉત્પાદનમાં લાવવાથી અમને શીખવા મળ્યું કે કઈ સમસ્યાઓ માટે કસ્ટમ solution ની જરૂર છે અને અન્ય ટીમો કયા બિલ્ડીંગ બ્લોક્સનો ઉપયોગ કરી શકે છે. અમે તે બિલ્ડીંગ બ્લોક્સને પ્રેઝન્સમાં લાવ્યા, જેનાથી ડેવલપર્સ માટે અંતર્ગત ઈન્ફ્રાસ્ટ્રક્ચરનું પુનઃનિર્માણ કર્યા વિના નિયમન કરાયેલ વર્કફ્લોને સ્વચાલિત કરવાનું સરળ બન્યું. દરેક જમાવટથી ઉત્પાદનને આકાર આપવામાં મદદ મળી અને આગામી ગ્રાહકને વધુ સારો પ્રારંભિક બિંદુ મળ્યો.
સાથે થ્રાઇવ હોલ્ડિંગ્સ,ક્રેટની એકાઉન્ટિંગ કંપનીઓ માટે માટે ટેક્સ AI વિકસાવવા OpenAI એફડીઇ અને સંશોધકોએ એન્જિનિયરો અને એકાઉન્ટન્ટ્સ સાથે મળીને કામ કર્યું. તેના પાયલોટ સમયગાળા દરમિયાન, ટેક્સ AI એ 7,000 ટેક્સ રિટર્ન પ્રોસેસ કર્યા અને થ્રૂપુટ માં લગભગ 50% વધારો કર્યો.
સૌથી મુશ્કેલ પડકારોમાંનો એક ભાડા-મિલકતના વળતરને સ્વચાલિત કરવાનો હતો, જેમાં 90% ચોકસાઈ અને રિકોલ સુધી પહોંચવા માટે છ અઠવાડિયાના એન્જિનિયરિંગ અને પ્રેક્ટિશનર સમીક્ષાની જરૂર હતી. આ કાર્યથી ફરીથી વાપરી શકાય તેવા દાખલાઓ બન્યા જેનાથી ટેક્સ AI ને અન્ય જટિલ ટેક્સ શેડ્યૂલ સુધી વિસ્તારવાનું સરળ બન્યું.
ટીમો હવે બુકકીપિંગ, ઓડિટ અને આઇટી સપોર્ટ માટે સમાન અભિગમ લાગુ કરી રહી છે - પ્રેક્ટિશનર પ્રતિસાદ અને વાસ્તવિક દુનિયાના ઉપયોગ થકી સુધારણા કરતી સિસ્ટમોનું નિર્માણ.
ક્યારેક વધુ સારી પ્રોડક્ટથી અમે બનાવેલી પ્રણાલી સરળ કરી શકીએ છીએ, પરંતુ ક્યારેક મોડલ પોતે જ હજી તે કામ કરવા સક્ષમ હોતું નથી.
જો અમે માત્ર આજના મોડલથી શક્ય હોય એટલું જ બનાવીએ, તો સંશોધન ટીમે હવે દૂર કરવાની જરૂર હોય એવી બુદ્ધિક્ષમતાની ઊણપો શોધી શકીશું નહીં. એટલે અમારા ઘણા મહત્ત્વના સહયોગો આ મર્યાદાઓથી જ શરૂ થાય છે, જેમાં ગ્રાહક, ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર અને સંશોધન ટીમ સાથે મળીને તેમને પાર કરવા પ્રતિબદ્ધ હોય છે.
અમે એક મોટી દૂરસંચાર કંપની સાથે ગ્રાહક-સેવા પ્લેટફોર્મ પહેલેથી વિકસાવ્યું હતું અને તેઓ તેમાં વૉઇસ સેવાનો પણ સમાવેશ કરવા માગતા હતા.
તેમના ગ્રાહક-સેવાના કુલ કામમાં લગભગ 90% હિસ્સો વૉઇસ કૉલનો હતો. ચેટની સરખામણીમાં આવા કિસ્સાઓ માનવીય સહાય વિના ઉકેલવા વધુ ખર્ચાળ હતા. વળી, ઉચ્ચારણની વિવિધતા અને અવાજના ભાવને સમજવા તેમજ પ્રતિસાદની ઝડપ અને સચોટતાને વાસ્તવિક ઉપયોગ માટે જરૂરી સ્તરે લાવવા અનેક નવા તકનીકી પડકારો હતા. આ કામ સફળતાપૂર્વક થાય તો તેમના વ્યવસાયમાં નોંધપાત્ર ફેર પડવાનો હતો.
કામનો વ્યાપ નક્કી કરતી વખતે, અમારું મોડલ વાસ્તવિક ઉપયોગમાં આ કામ કરી શકે છે કે નહીં તે ચકાસવા અમે કરેલા મુખ્ય મૂલ્યાંકનોમાં તેનો સ્કોર લગભગ 60% હતો. અમે તેની ક્ષમતાની મર્યાદાએ પહોંચી ગયા હતા. ગ્રાહક-સેવાની પરિસ્થિતિઓમાં ફંક્શન કોલિંગ અને સૂચનાઓનું પાલન કરવાની ક્ષમતામાં સુધારો જરૂરી હતો.
અમે ગ્રાહકને આ સમજાવ્યું અને સંશોધન ટીમને આ કામમાં સામેલ કરી. ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર એ ગ્રાહક સાથે મળીને પ્લેટફોર્મ બનાવ્યું અને મોડલે શું કરવું જરૂરી છે તે નક્કી કર્યું. સંશોધન ટીમે ક્ષમતાની ઊણપો દૂર કરવા પર કામ કર્યું. મોડલની એક પછી એક આવૃત્તિઓથી અમે ગ્રાહકની જરૂરિયાતો સામે પ્રગતિ ચકાસી શક્યા.
છ મહિનામાં મુખ્ય મૂલ્યાંકનોમાં પ્રદર્શન લગભગ 60%થી વધીને 80% અને પછી 90%થી વધુ થયું, જે વાસ્તવિક ઉપયોગ માટે જરૂરી સ્તર હતું.
આ કામથી બનેલું વૉઇસ મોડલ હવે તે ગ્રાહકની સેવા, અન્ય ગ્રાહકો માટે ખાસ તૈયાર કરેલી ગ્રાહક-સેવાઓ અને પ્રેઝન્સ દ્વારા સંચાલિત સેવાઓને આધાર આપે છે. એક ગ્રાહકના વ્યવસાયમાં સામે આવેલી સમસ્યાએ એવા સુધારા ઓળખવામાં મદદ કરી જે બીજા અનેક ગ્રાહકોને ઉપયોગી થઈ શકે.
દરેક ભાગ મહત્ત્વનો હતો. મોડલ હજી જે સમસ્યા ઉકેલી શકતું નહોતું તેના પર કામ કરવા ગ્રાહકે પ્રતિબદ્ધતા દર્શાવી. ફોરવર્ડ ડિપ્લોયડ એન્જિનિયર એ ગ્રાહક સાથે નજીકથી કામ કરીને સમસ્યાને સ્પષ્ટ રીતે વ્યાખ્યાયિત કરી, પ્લેટફોર્મ બનાવ્યું અને શરૂઆતથી અંત સુધી સહયોગને આગળ ધપાવ્યો. સંશોધન ટીમે મૂળ મોડલની ક્ષમતાઓમાં સુધારો કર્યો.
પોતાની જરૂરિયાત દૂર કરવાની આ બીજી રીત છે: આજનાં મોડલ જે સમસ્યા ઉકેલી શકતાં નથી તેને ભવિષ્યનાં મોડલની ક્ષમતામાં ફેરવવામાં મદદ કરવી. અમારા કામનો લાભ કોઈ એક ગ્રાહક સાથે ગાળેલા કલાકો પૂરતો સીમિત નથી.
લોકોના રોજિંદા કામમાં AI ને ઉપયોગી બનાવવામાં મદદ કરવા હું OpenAI માં જોડાયો હતો. આજે પણ એ જ હેતુ ટીમને દિશા આપે છે. હું ઘણી વાર ટીમને કહું છું કે LLM ના વિકાસમાં મોટા ભાગના કિસ્સાઓમાં ઓકમનો સિદ્ધાંત લાગુ પડે છે—સૌથી સરળ solution જ શ્રેષ્ઠ હોય છે. અત્યાધુનિક સંશોધનથી ઓળખાતી કંપનીમાં અને અતિશયોક્તિથી ખરડાયેલા industry માં, અમે એવું બનાવવા માગીએ છીએ જે વિશ્વસનીય રીતે કામ કરે અને જેના પર વ્યવહારમાં કામ કરતા લોકો ભરોસો રાખી શકે.
લક્ષ્ય એ છે કે દરેક સહયોગ પછીનું કામ વધુ સારું બનાવે: અમલમાં મૂકવી વધુ સરળ હોય એવી પ્રોડક્ટ, વધુ અઘરું કામ કરી શકે એવું મોડલ અથવા પછીના ગ્રાહક માટે ઓછું ખાસ કામ કરવાની જરૂર.
જો તમારી પાસે કોઈ અઘરી સમસ્યા હોય જે તમે ઉકેલવા માગતા હો, તો અમને તમારી સાથે કામ કરવાનું ગમશે. જો તમે આવી સમસ્યાઓ ઉકેલવામાં મદદ કરવા માગતા હો, તો અમારી સાથે જોડાવા તમારું સ્વાગત છે.
તો પછી, જે કામ માટેની પ્રણાલી બનાવવામાં અમે મહિનાઓ ગાળ્યા, તે કામ Codex કરી શકે ત્યારે અમે શું કરીએ?
વધુ અઘરી સમસ્યા શોધો.
