OpenAI ਵਿੱਚ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਦਾ ਕੀ ਅਰਥ ਹੈ
ਅਸੀਂ ਕੀ ਕਰਦੇ ਹਾਂ, ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਾਂ ਅਤੇ ਅਸਲ ਅਸਰ ਪਾਉਣ ਲਈ ਉੱਦਮਾਂ ਦੀਆਂ ਸਭ ਤੋਂ ਔਖੀਆਂ ਸਮੱਸਿਆਵਾਂ ਕਿਵੇਂ ਹੱਲ ਕਰਦੇ ਹਾਂ.
ਲੇਖਕ: ਕੋਲਿਨ ਜਾਰਵਿਸ, OpenAI ਵਿੱਚ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਮੁਖੀ
ਜਦੋਂ Codex ਲਾਂਚ ਹੋਇਆ, ਤਾਂ ਟੀਮ ਦੇ ਇੱਕ ਮੈਂਬਰ ਨੇ ਮੈਨੂੰ ਪੁੱਛਿਆ, “ਜਦੋਂ Codex ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਉਹ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਅਸੀਂ ਪਿਛਲੇ ਕੁਝ ਮਹੀਨੇ ਲਗਾਏ ਹਨ, ਤਾਂ ਅਸੀਂ ਕੀ ਕਰੀਏ?”
ਇਹ ਸਵਾਲ OpenAI ਵਿੱਚ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਦੀ ਭੂਮਿਕਾ ਦੇ ਮੂਲ ਤੱਕ ਜਾਂਦਾ ਹੈ. ਅਸੀਂ ਗਾਹਕਾਂ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸਭ ਤੋਂ ਔਖੀਆਂ ਸਮੱਸਿਆਵਾਂ ਸਮਝਦੇ ਹਾਂ ਅਤੇ ਅਜਿਹੇ ਹੱਲ ਬਣਾਉਂਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ’ਤੇ ਉਹ ਭਰੋਸਾ ਕਰ ਸਕਣ. ਜੋ ਅਸੀਂ ਸਿੱਖਦੇ ਹਾਂ, ਉਹ ਸਾਡੇ ਉਤਪਾਦਾਂ ਨੂੰ ਨਿਖਾਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਅਤੇ ਖੋਜ ਟੀਮ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਠੋਸ ਸਮੱਸਿਆਵਾਂ ਦਿੰਦਾ ਹੈ.
ਇਹੀ ਪ੍ਰਗਤੀ ਹੈ. ਜੇ ਅਸੀਂ ਹਰ ਦੋ-ਕੁ ਮਹੀਨਿਆਂ ਵਿੱਚ ਆਪਣੀ ਲੋੜ ਖ਼ਤਮ ਕਰ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਡੀ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਟੀਮ ਆਪਣਾ ਕੰਮ ਠੀਕ ਕਰ ਰਹੀ ਹੈ.
ਮੈਂ 2025 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਇਸ ਟੀਮ ਦੀ ਸਥਾਪਨਾ ਉਸ ਚੀਜ਼ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਕੀਤੀ ਸੀ, ਜਿਸ ਨੂੰ ਅਸੀਂ “ਡਿਪਲੌਇਮੈਂਟ ਗੈਪ” ਕਹਿੰਦੇ ਹਾਂ: ਮਾਡਲ ਜਿੰਨਾ ਕੁਝ ਕਰਨ ਦੇ ਸਮਰੱਥ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਅਤੇ ਲੋਕ ਆਪਣੇ ਕੰਮ ਕਰਨ ਲਈ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਜਿੰਨਾ ਕੁਝ ਵਰਤ ਸਕਦੇ ਹਨ, ਉਹਨਾਂ ਦੋਵਾਂ ਵਿਚਕਾਰਲਾ ਪਾੜਾ.
ਮਾਡਲਾਂ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ, ਉਹਨਾਂ ਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣ ਲਈ ਲੋੜੀਂਦੇ ਸਿਸਟਮਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧੀਆਂ ਹਨ. ਕਈ ਵਾਰ, ਇਸ ਲਈ ਲੋੜੀਂਦੀ ਚੀਜ਼ ਇੱਕ ਪ੍ਰੋਡਕਟ ਹੁੰਦੀ ਹੈ. ਕਈ ਵਾਰ, ਕੋਈ ਮਾਡਲ ਬੈਂਚਮਾਰਕ ’ਤੇ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਪਰ ਅਸਲ ਜ਼ਿੰਦਗੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਪਾਬੰਦੀਆਂ ਦੇ ਮੱਦੇਨਜ਼ਰ ਕੰਮ ਨਹੀਂ ਕਰ ਪਾਉਂਦਾ.
ਅਸੀਂ ਗਾਹਕਾਂ ਦੀਆਂ ਸਭ ਤੋਂ ਔਖੀਆਂ ਸਮੱਸਿਆਵਾਂ ’ਤੇ ਧਿਆਨ ਦਿੰਦੇ ਹਾਂ. ਜਿੱਥੇ ਸਾਡੇ ਮਾਡਲ ਅੱਜ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਉੱਥੇ ਅਸੀਂ ਪ੍ਰੋਡਕਟ ਟੀਮ ਅਤੇ ਗਾਹਕ ਨਾਲ ਮਿਲ ਕੇ ਹੱਲ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਬਣਾਉਂਦੇ ਹਾਂ. ਜਿੱਥੇ ਉਹ ਪਿੱਛੇ ਰਹਿ ਜਾਂਦੇ ਹਨ, ਉੱਥੇ ਅਸੀਂ ਗਾਹਕਾਂ ਅਤੇ ਖੋਜ ਟੀਮ ਨਾਲ ਮਿਲ ਕੇ ਕਮੀ ਨੂੰ ਸਪਸ਼ਟ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸੁਧਾਰ ਲਿਆਉਂਦੇ ਹਾਂ. ਸਾਡਾ ਟੀਚਾ ਹੈ ਕਿ ਹਰ ਸਾਂਝਾ ਪ੍ਰੋਜੈਕਟ ਅਗਲੇ ਗਾਹਕ ਨੂੰ ਸ਼ੁਰੂਆਤ ਲਈ ਬਿਹਤਰ ਆਧਾਰ ਦੇਵੇ. ਜੇ ਅਸੀਂ ਬੁਨਿਆਦੀ ਪੱਧਰ ਇੰਨਾ ਉੱਚਾ ਕਰ ਦੇਈਏ ਕਿ ਅਗਲੀ ਵਾਰ ਇਸ ਕਿਸਮ ਦੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਲਈ ਗਾਹਕਾਂ ਨੂੰ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਲੋੜ ਹੀ ਨਾ ਪਵੇ, ਤਾਂ ਅਸੀਂ ਆਪਣਾ ਕੰਮ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੀਤਾ ਹੈ.
200 ਸਾਲ ਪੁਰਾਣੇ ਖੇਤੀਬਾੜੀ ਕਾਰੋਬਾਰ ਜੌਨ ਡੀਅਰ ਲਈ ਚੁਣੌਤੀ ਇਹ ਸੀ ਕਿ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਕਿਸਾਨਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀਆਂ ਨਿੱਜੀ ਲੋੜਾਂ ਮੁਤਾਬਕ ਸਲਾਹ ਕਿਵੇਂ ਦਿੱਤੀ ਜਾਵੇ.
ਇਸ ਦੀ ਇੱਕ ਮਿਸਾਲ See & Spray ਹੈ, ਜੋ ਨਦੀਨਾਂ ਨੂੰ ਸਟੀਕ ਢੰਗ ਨਾਲ ਕਾਬੂ ਕਰਨ ਦੀ ਤਕਨੀਕ ਹੈ. ਇਹ ਕੈਮਰਿਆਂ ਅਤੇ ਮਸ਼ੀਨੀ ਸਿੱਖਿਆ ਨਾਲ ਨਦੀਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦੀ ਹੈ ਅਤੇ ਪੂਰੇ ਖੇਤ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਨਦੀਨਾਂ ’ਤੇ ਛਿੜਕਾਅ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਰਸਾਇਣਾਂ ਦੀ ਵਰਤੋਂ 70% ਤੱਕ ਘਟ ਸਕਦੀ ਹੈ.
ਪਰ ਇਹ ਲਾਭ ਤਾਂ ਹੀ ਮਿਲ ਸਕਦੇ ਹਨ ਜੇ ਕਿਸਾਨਾਂ ਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਤਕਨੀਕ ਦੀਆਂ ਸੈਟਿੰਗਾਂ ਕਿਵੇਂ ਕਰਨੀਆਂ ਹਨ, ਫ਼ਸਲੀ ਮੌਸਮ ਦੀ ਯੋਜਨਾ ਕਿਵੇਂ ਬਣਾਉਣੀ ਹੈ ਅਤੇ ਹਾਲਾਤ ਬਦਲਣ ਨਾਲ ਆਪਣੇ ਤਰੀਕੇ ਕਿਵੇਂ ਢਾਲਣੇ ਹਨ.
ਜੌਨ ਡੀਅਰ ਨੇ ਇਸ ਸਹਾਇਤਾ ਨੂੰ ਨਿੱਜੀ ਲੋੜਾਂ ਮੁਤਾਬਕ ਅਤੇ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਉਪਲਬਧ ਕਰਾਉਣ ਲਈ OpenAI ਦੇ APIs ਡਿਪਲੌਏ ਕੀਤੇ.
AI ਕਿਸਾਨਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਆਮ ਬੋਲਚਾਲ ਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਦੇ ਸਕਦੀ ਹੈ, ਉਨ੍ਹਾਂ ਦੀਆਂ ਲੋੜਾਂ ਮੁਤਾਬਕ ਸੈੱਟਅੱਪ ਸੰਬੰਧੀ ਮਾਰਗਦਰਸ਼ਨ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇ ਸਕਦੀ ਹੈ, ਪਛਾਣ ਸਕਦੀ ਹੈ ਕਿ ਉਪਕਰਨ ਕਦੋਂ ਆਪਣੀ ਪੂਰੀ ਸਮਰੱਥਾ ਅਨੁਸਾਰ ਕੰਮ ਨਹੀਂ ਕਰ ਰਹੇ, ਅਤੇ ਕਿਸਾਨਾਂ ਨੂੰ ਤਕਨੀਕ ਤੋਂ ਮਿਲ ਰਿਹਾ ਲਾਭ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ.
ਇਹ ਸੰਭਾਵਨਾ ਕਿਸੇ ਇੱਕ ਗੱਲਬਾਤ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ: ਗਾਹਕ ਦੇ ਪੂਰੇ ਸਫ਼ਰ ਦੌਰਾਨ ਢੁੱਕਵਾਂ ਮਾਰਗਦਰਸ਼ਨ ਦੇ ਕੇ ਕਿਸਾਨਾਂ ਨੂੰ ਆਪਣੇ ਉਪਕਰਨ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਵਰਤਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਨਾਲ ਹੀ ਕੁਸ਼ਲਤਾ ਅਤੇ ਟਿਕਾਊਪਣ ਵੀ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ.
OpenAI ਦੇ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਇਸੇ ਕਿਸਮ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਹੱਲ ਕਰਦੇ ਹਨ: ਸੰਸਥਾਵਾਂ ਨੂੰ AI ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਅਜਿਹੇ ਸਿਸਟਮ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਜੋ ਅਸਲ ਦੁਨੀਆ ਦੇ ਗੁੰਝਲਦਾਰ ਮਾਹੌਲ ਵਿੱਚ ਵਿਹਾਰਕ ਲਾਭ ਦੇਣ.
ਪਰ ਅਕਸਰ ਸਮੱਸਿਆਵਾਂ ਦਾ ਦਾਇਰਾ ਬਹੁਤ ਖੁੱਲ੍ਹਾ ਹੁੰਦਾ ਹੈ, ਕੋਈ ਪ੍ਰਮਾਣਿਤ ਸਹੀ ਜਵਾਬ ਨਹੀਂ ਹੁੰਦਾ ਅਤੇ ਨਾ ਹੀ ਕੋਈ ਤੈਅ ਕਾਰਜ-ਵਿਧੀ ਹੁੰਦੀ ਹੈ. ਹਰ ਕੋਈ ਕੁਝ ਅਜਿਹਾ ਬਣਾਉਣਾ ਚਾਹੁੰਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਕਦੇ ਮੌਜੂਦ ਨਹੀਂ ਸੀ. ਪਰ ਉਸ ਮੁਕਾਮ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਜੋ ਕੁਝ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਉਹ ਕਰਨ ਲਈ ਘੱਟ ਲੋਕ ਤਿਆਰ ਹੁੰਦੇ ਹਨ.
“ਕਾਫ਼ੀ ਚੰਗਾ” ਮੰਨੇ ਜਾਣ ਵਾਲੇ ਪੱਧਰ ਨੂੰ ਉੱਚਾ ਚੁੱਕਦਿਆਂ ਹੁਨਰਮੰਦ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਲੱਭਣ ਲਈ ਸਾਨੂੰ ਲਗਾਤਾਰ ਪ੍ਰਯੋਗ ਕਰਨ ਅਤੇ ਸਿੱਖਿਆ ਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਲੋੜ ਪਈ ਹੈ.
ਹਰ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਟੀਮ ਸੈਸ਼ਨ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ, ਮੈਂ ਇੱਕ ਸਲਾਈਡ ਦਿਖਾਉਂਦਾ ਹਾਂ, ਜਿਸ ’ਤੇ ਇੱਕ ਮੁੱਖ ਸਿਧਾਂਤ ਲਿਖਿਆ ਹੁੰਦਾ ਹੈ: “ਨਤੀਜੇ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂਆਤ ਕਰੋ, ਸਫਲਤਾ ਹਾਸਲ ਕਰਨ ਲਈ ਜੋ ਵੀ ਲੋੜੀਂਦਾ ਹੋਵੇ, ਉਹ ਕਰੋ, ਅਤੇ ਫਿਰ ਸਫਲ ਹੱਲਾਂ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਲਾਗੂ ਕਰੋ.”
ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੈਮੋ ਕਾਫ਼ੀ ਪ੍ਰਸਿੱਧੀ ਹਾਸਲ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਕੋਈ ਪੁੱਛੇ ਕਿ ਕੀ ਇਹ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ.
ਸਾਡਾ ਕੰਮ ਗਾਹਕ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਅਜਿਹੇ ਮਿਆਰ ’ਤੇ ਹੱਲ ਕਰਨਾ ਹੈ ਜਿਸ ਦੀ ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈ ਸਕੀਏ.
2025 ਦੇ ਮੱਧ ਵਿੱਚ ਸਾਡੇ ਲਗਭਗ 15 ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਸੈਮੀਕੰਡਕਟਰ ਖੇਤਰ ਦੀ ਇੱਕ ਵੱਡੀ ਗਾਹਕ ਕੰਪਨੀ ਨਾਲ 10 ਤੋਂ ਵੱਧ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ’ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਸਨ. ਟੀਚਾ ਉਹਨਾਂ ਦੀ ਤਸਦੀਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮੁੱਢ ਤੋਂ ਹੀ AI-ਆਧਾਰਿਤ ਬਣਾਉਣਾ ਸੀ, ਜਿਸ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਸਨ:
ਨਿਰਦੇਸ਼ਿਤ ਟੈਸਟ ਜਨਰੇਸ਼ਨ
ਮੂਲ ਕਾਰਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਡੀਬੱਗਿੰਗ
ਇੱਕ ਆਰਕੀਟੈਕਚ ਸਹਾਇਕ
ਇਸ ਉਦਯੋਗ ਵਿੱਚ ਕਿਸੇ ਪ੍ਰੋਜੈਕਟ ਦੀ ਕੁੱਲ ਮਿਹਨਤ ਦਾ ਲਗਭਗ 70% ਹਿੱਸਾ ਤਸਦੀਕ ’ਤੇ ਲੱਗ ਸਕਦਾ ਹੈ. ਸੰਭਾਵਨਾਵਾਂ ਬੇਹੱਦ ਵੱਡੀਆਂ ਸਨ ਅਤੇ ਸ਼ੁਰੂਆਤ ਕਈ ਥਾਵਾਂ ਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਸੀ.
ਕੁਝ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਕੁਝ ਦਿਨ ਪਹਿਲਾਂ ਹੀ OpenAI ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਏ ਸਨ ਅਤੇ ਉਹਨਾਂ ਨੇ ਸੈਮੀਕੰਡਕਟਰ ਖੇਤਰ ਵਿੱਚ ਕਦੇ ਕੰਮ ਨਹੀਂ ਕੀਤਾ ਸੀ. ਉਹ ਗਾਹਕ ਦੀ ਤਸਦੀਕ ਟੀਮ ਨਾਲ ਜੁੜ ਕੇ ਕੰਮ ਕਰਨ ਲੱਗੇ, ਵਿਹਲੇ ਸਮੇਂ ਵਿੱਚ ਚਿੱਪ ਡਿਜ਼ਾਈਨ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਨਾਲ ਮਿਲ ਕੇ ਮੁਲਾਂਕਣ ਤਿਆਰ ਕੀਤੇ. ਇਹਨਾਂ ਰਾਹੀਂ ਜਾਂਚਿਆ ਗਿਆ ਕਿ ਕੀ AI ਉਪਯੋਗੀ ਟੈਸਟ ਬਣਾ ਸਕਦੀ ਹੈ ਅਤੇ ਚਿੱਪ ਦੀਆਂ ਖ਼ਰਾਬੀਆਂ ਦੇ ਕਾਰਨ ਸਹੀ ਪਛਾਣ ਸਕਦੀ ਹੈ.
ਇਹ ਸਿੱਖਣ ਦੇ ਨਾਲ-ਨਾਲ ਅਸੀਂ ਹਰੇਕ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਲਈ ਖ਼ਾਸ ਜਾਂਚ-ਢਾਂਚੇ ਬਣਾਏ. ਪਹਿਲੇ 3–6 ਮਹੀਨਿਆਂ ਵਿੱਚ ਇਹ ਸਾਰੇ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਆ ਗਏ ਅਤੇ ਮੁੱਢਲੇ ਵਰਤੋਂਕਾਰਾਂ ਨੇ ਇਹਨਾਂ ਨੂੰ ਅਪਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ. ਮਿਹਨਤ ਦਾ ਫਲ ਇਹਨਾਂ ਅੰਕੜਿਆਂ ਵਿੱਚ ਦਿਸਿਆ:
AI ਰਾਹੀਂ ਖ਼ਾਸ ਟੀਚਿਆਂ ਲਈ ਟੈਸਟ ਤਿਆਰ ਕਰਨ ਨਾਲ ਲਗਭਗ 48% ਸਮੇਂ ਦੀ ਬਚਤ.
ਕਰਨਲ ਨੂੰ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਨਾਲ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ 22% ਦਾ ਮੱਧਿਕਾ ਸੁਧਾਰ.
ਹਫ਼ਤਿਆਂ ਦੀ ਡੀਬੱਗਿੰਗ ਘੰਟਿਆਂ ਵਿੱਚ ਪੂਰੀ ਹੋਈ
ਜਦੋਂ ਅਸੀਂ ਇਹ ਸਾਰੇ ਨਤੀਜੇ ਪੇਸ਼ ਕੀਤੇ ਤਾਂ ਮੁੱਖ ਹਾਰਡਵੇਅਰ ਅਧਿਕਾਰੀ ਨੇ ਪੁੱਛਿਆ, “ਕੀ ਤੁਸੀਂ ਇੱਥੇ ਆਉਣ ਤੋਂ ਪਹਿਲਾਂ ਚਿੱਪ ਡਿਜ਼ਾਈਨਰ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਸੀ?”
ਸਾਡੇ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਪਹਿਲੇ ਹੀ ਦਿਨ ਉਦਯੋਗ ਦੀ ਜਾਣਕਾਰੀ ਹੋਣੀ ਜ਼ਰੂਰੀ ਨਹੀਂ, ਪਰ ਇਸ ਨੂੰ ਸਿੱਖਣਾ ਉਨ੍ਹਾਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ.
ਕੋਡਿੰਗ ਸਹਾਇਕਾਂ ਨਾਲ ਸੌਫਟਵੇਅਰ ਬਣਾਉਣਾ ਤੇਜ਼ ਹੋ ਰਿਹਾ ਹੈ, ਇਸ ਲਈ ਗਾਹਕ ਦੇ ਕਾਰੋਬਾਰ ਨੂੰ ਸਮਝਣਾ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ. ਅਸੀਂ ਵਿਆਪਕ ਜਾਣਕਾਰੀ ਵਾਲੇ ਲੋਕਾਂ ਅਤੇ ਖੇਤਰ ਦੇ ਮਾਹਰਾਂ ਨੂੰ ਮਿਲਾ ਕੇ ਟੀਮਾਂ ਬਣਾਉਂਦੇ ਹਾਂ.
ਤੁਹਾਡੇ ਕੋਲ ਸਹੀ ਫ਼ੈਸਲੇ ਲੈਣ ਲਈ ਕਾਫ਼ੀ ਗਿਆਨ ਅਤੇ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਬਾਰੇ ਧਾਰਨਾਵਾਂ ’ਤੇ ਸਵਾਲ ਚੁੱਕਣ ਲਈ ਕਾਫ਼ੀ ਜਿਗਿਆਸਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ.
ਮਿਸਾਲ ਵਜੋਂ, ਜੀਵਨ ਵਿਗਿਆਨ ਵਿੱਚ ਸਾਡੇ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰਾਂ ਦਾ ਵਿਗਿਆਨਕ ਪਿਛੋਕੜ ਉਨ੍ਹਾਂ ਨੂੰ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਭਰੋਸਾ ਜਿੱਤਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ. ਇਹ ਖੋਜਕਰਤਾ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਸੰਬੰਧੀ ਪੂਰਵ-ਕਲੀਨਿਕਲ ਟਾਸਕਾਂ ’ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਟੀਚਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਅਤੇ ਤਰਜੀਹ ਨਿਰਧਾਰਨ, ਜੀਨ ਪ੍ਰਗਟਾਵੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਰਸਾਇਣਕ ਸੰਸਲੇਸ਼ਣ ਮਾਰਗਾਂ ਦਾ ਪੁਨਰ-ਨਿਰਮਾਣ. ਇਹ ਮੁਹਾਰਤ ਉਨ੍ਹਾਂ ਨੂੰ ਇਹਨਾਂ ਕੰਮਕਾਜੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸੁਧਾਰ ਬਾਰੇ ਜਾਣਕਾਰੀ-ਆਧਾਰਿਤ ਰਾਏ ਦੇਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ.
ਅਸੀਂ ਦਿਖਾ ਦਿੱਤਾ ਸੀ ਕਿ ਇਹ ਕੰਮਕਾਜੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਾਭ ਦੇ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਕਿਸੇ ਹੋਰ ਟੀਮ ਤੱਕ ਲਿਜਾਣ ਲਈ ਹਾਲੇ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਸੀ. ਅਗਲੀ ਚੁਣੌਤੀ ਉਹੀ ਨਤੀਜੇ ਕਾਇਮ ਰੱਖਦਿਆਂ ਸੌਫਟਵੇਅਰ ਦੀ ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਸਾਂਭ-ਸੰਭਾਲ ਨੂੰ ਸੌਖਾ ਬਣਾਉਣਾ ਸੀ.
ਉਦੋਂ ਤੱਕ Codex ਦੀ ਸਮਰੱਥਾ ਵਧ ਚੁੱਕੀ ਸੀ. ਇੱਕ ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਨੇ ਇਸ ਦੇ ਆਧਾਰ ’ਤੇ ਆਪਣੀ ਐਪਲੀਕੇਸ਼ਨ ਮੁੜ ਬਣਾਉਣ ਦਾ ਪ੍ਰਯੋਗ ਕੀਤਾ. ਫਿਰ ਟੀਮ ਨਾਲ ਮਿਲ ਕੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਨੂੰ ਇੱਕ ਸਾਂਝੇ ਜਾਂਚ-ਢਾਂਚੇ ਵਿੱਚ ਲਿਆਂਦਾ, ਜਿਸ ਦੇ ਕੇਂਦਰ ਵਿੱਚ Codex ਸੀ.
ਕਸਟਮ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਥਾਂ Codex ਦੇ ਸਾਂਝੇ ਬੁਨਿਆਦੀ ਹਿੱਸਿਆਂ ’ਤੇ ਬਣੇ ਪਲੱਗਇਨ ਅਤੇ ਸਕਿੱਲਾਂ ਨੇ ਲੈ ਲਈ. Codex ਇੰਟਰਫੇਸ ਵੀ ਬਣ ਗਿਆ, ਜਿਸ ਨਾਲ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਲਿਖੇ ਅਲੱਗ ਟਰਮੀਨਲ ਵਰਤੋਂਕਾਰ ਇੰਟਰਫੇਸ ਅਤੇ ਕਮਾਂਡ-ਲਾਈਨ ਇੰਟਰਫੇਸ ਹਟਾ ਸਕੇ.
ਅਸੀਂ ਹਰ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਕਸਟਮ ਕੋਡ ਨੂੰ ਲਗਭਗ 90% ਤੱਕ ਘਟਾ ਸਕੇ, ਜਿਸ ਨਾਲ ਇਹਨਾਂ ਵਰਕਫਲੋਜ਼ ਨੂੰ ਤਿਆਰ ਕਰਨ, ਉਹਨਾਂ ਦੀ ਸਾਂਭ-ਸੰਭਾਲ ਕਰਨ ਅਤੇ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਲਾਗੂ ਕਰਨ ਦੇ ਸਾਡੇ ਤਰੀਕੇ ਵਿੱਚ ਬਦਲਾਅ ਆਇਆ:
ਅਸੀਂ Codex ਵਿੱਚ ਕੇਂਦਰੀ ਪੱਧਰ ’ਤੇ ਕੀਤੇ ਸੁਧਾਰਾਂ ਦਾ ਲਾਭ ਲੈ ਸਕਦੇ ਸੀ, ਜਿਸ ਨਾਲ ਹਰੇਕ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਨੂੰ ਜੋੜਨ ਲਈ ਲੋੜੀਂਦਾ ਕੋਡ ਘਟ ਗਿਆ
ਮੁੱਖ ਕਾਰਜ-ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਕਿੱਲਾਂ ਅਤੇ ਪਲੱਗਇਨਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ, ਤਾਂ ਜੋ ਇਹਨਾਂ ਨੂੰ ਆਪਸ ਵਿੱਚ ਸਾਂਝਾ ਕਰਨਾ ਅਤੇ AI CoE ਵੱਲੋਂ ਕੇਂਦਰੀ ਤੌਰ ’ਤੇ ਨਿਯੰਤਰਿਤ ਕਰਨਾ ਸੌਖਾ ਹੋਵੇ. ਇਸ ਦਾ ਮਤਲਬ ਸੀ ਕਿ ਇੱਕ ਟੀਮ ਤੋਂ ਅਗਲੀ ਟੀਮ ਤੱਕ ਹੱਲ ਲਿਜਾਣਾ ਇੰਨਾ ਸੌਖਾ ਹੋ ਸਕਦਾ ਸੀ: ਨਵੇਂ ਕਨੈਕਟਰ ਜਾਂ MCP ਸਰਵਰ ਲਗਾਓ, ਨਵੇਂ ਮੁਲਾਂਕਣ ਬਣਾਓ (ਜਿਸ ਲਈ ਵੀ ਸਾਡੇ ਕੋਲ ਇੱਕ ਸਕਿੱਲ ਸੀ) ਅਤੇ ਕੰਮ ਸ਼ੁਰੂ ਕਰ ਦਿਓ.
ਅਗਸਤ 2026 ਦੀ ਇੱਕ ਮਿਸਾਲ ਵਿੱਚ, ਪਹਿਲੀ ਡਿਪਲੌਇਮੈਂਟ ਨੂੰ ਦੋ ਮਹੀਨੇ ਲੱਗੇ. ਉਹੀ ਹੱਲ ਦੂਜੀ ਟੀਮ ਤੱਕ ਲਿਜਾਣ ਵਿੱਚ ਇੱਕ ਦਿਨ ਲੱਗਿਆ. ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਸਕੇਲ ਕੀਤਾ, ਅਗਲੀਆਂ ਟੀਮਾਂ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਜੁੜਦੀਆਂ ਗਈਆਂ. ਇਹ ਰੁਝਾਨ ਜਾਰੀ ਰਿਹਾ: ਅਗਸਤ 2026 ਦੇ ਇੱਕ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਪਹਿਲੀ ਡਿਪਲੌਇਮੈਂਟ ਨੂੰ 2 ਮਹੀਨੇ ਲੱਗੇ, ਪਰ ਦੂਜੀ ਟੀਮ ਲਈ ਸਿਰਫ਼ 1 ਦਿਨ ਲੱਗਿਆ.
ਆਪਣੀ ਲੋੜ ਖ਼ਤਮ ਕਰ ਦੇਣ ਦਾ ਇਹ ਇੱਕ ਤਰੀਕਾ ਹੈ. ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਕੀਤੇ ਕੰਮ ਨੇ ਸਪਸ਼ਟ ਕਰ ਦਿੱਤਾ ਸੀ ਕਿ ਕੀ ਮਹੱਤਵਪੂਰਨ ਹੈ. ਜਿਵੇਂ-ਜਿਵੇਂ ਅੰਡਰਲਾਇੰਗ ਪ੍ਰੋਡਕਟ ਬਿਹਤਰ ਹੋਇਆ, ਅਸੀਂ ਆਪਣੇ ਕਸਟਮ ਲਾਗੂਕਰਨ ਦਾ ਵੱਡਾ ਹਿੱਸਾ ਬਦਲ ਸਕੇ ਅਤੇ ਉਸ ਤੋਂ ਮਿਲਦਾ ਲਾਭ ਵੀ ਕਾਇਮ ਰੱਖ ਸਕੇ.
ਇਸੇ ਲਈ ਇਹ ਕ੍ਰਮ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ. LLMs ਸਾਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਹੱਲ ਤਿਆਰ ਕਰਨ ਦੀ ਸਹੂਲਤ ਦਿੰਦੇ ਹਨ. ਇਸ ਤੇਜ਼ੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੋਈ ਉਪਯੋਗੀ ਹੱਲ ਜਲਦੀ ਵਰਤੋਂਕਾਰਾਂ ਤੱਕ ਪਹੁੰਚਾਓ, ਅਮਲੀ ਵਰਤੋਂ ਤੋਂ ਸਿੱਖੋ ਕਿ ਕੀ ਕਾਰਗਰ ਸਾਬਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸਫਲ ਹੱਲਾਂ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਲਾਗੂ ਕਰੋ.
ਇਹੀ ਸਿਧਾਂਤ ਗਾਹਕਾਂ ਨਾਲ ਹਰ ਸਾਂਝੇ ਪ੍ਰੋਜੈਕਟ ’ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ.
OpenAI Presence, ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵੌਇਸ ਅਤੇ ਚੈਟ ਏਜੰਟਾਂ ਲਈ ਸਾਡਾ ਪ੍ਰੋਡਕਟ, ਅਸਲ ਗਾਹਕਾਂ ਦੀ ਡਿਪਲੌਇਮੈਂਟ ਤੋਂ ਵਿਕਸਤ ਹੋਇਆ ਹੈ. ਇਹ ਕੰਮ Swarm(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨਾਲ ਸ਼ੁਰੂ ਹੋਇਆ ਅਤੇ ਇਸ ਰਾਹੀਂ ਵਿਕਸਤ ਹੋਇਆ ਏਜੰਟ API, ਅਤੇ ਅੱਜ ਇੱਕ ਗਾਹਕ ਆਪਣੀਆਂ ਅੱਧੀਆਂ ਤੋਂ ਵੱਧ ਕਾਲਾਂ ਨੂੰ AI ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ.
ਉਹਨਾਂ ਡਿਪਲੌਇਮੈਂਟਾਂ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਲਿਆਉਣ ਨਾਲ ਸਾਨੂੰ ਸਿਖਾਇਆ ਗਿਆ ਕਿ ਕਿਹੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਇੱਕ ਕਸਟਮ ਹੱਲ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਦੂਜੀਆਂ ਟੀਮਾਂ ਕਿਹੜੇ ਬਿਲਡਿੰਗ ਬਲਾਕ ਵਰਤ ਸਕਦੀਆਂ ਹਨ. ਅਸੀਂ ਉਹਨਾਂ ਬਿਲਡਿੰਗ ਬਲਾਕਾਂ ਨੂੰ Presence ਵਿੱਚ ਲਿਆਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਿਵੈਲਪਰਾਂ ਲਈ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਏ ਬਿਨਾਂ ਨਿਯੰਤ੍ਰਿਤ ਵਰਕਫਲੋ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨਾ ਆਸਾਨ ਹੋ ਗਿਆ ਹੈ. ਹਰੇਕ ਡਿਪਲੌਇਮੈਂਟ ਨੇ ਪ੍ਰੋਡਕਟ ਨੂੰ ਆਕਾਰ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਅਤੇ ਅਗਲੇ ਗਾਹਕ ਨੂੰ ਇੱਕ ਬਿਹਤਰ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਦਿੱਤਾ.
ਇਸ ਦੇ ਨਾਲ Thrive Holdings, OpenAI FDEs ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ Crete ਦੀਆਂ ਲੇਖਾਕਾਰੀ ਫਰਮਾਂ ਲਈ ਟੈਕਸ AI ਬਣਾਉਣ ਲਈ ਇੰਜੀਨੀਅਰਾਂ ਅਤੇ ਲੇਖਾਕਾਰਾਂ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕੀਤਾ. ਇਸਦੇ ਆਪਣੇ ਪਾਇਲਟ ਦੌਰਾਨ, ਟੈਕਸ AI ਨੇ 7,000 ਟੈਕਸ ਰਿਟਰਨਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਅਤੇ ਥਰੂਪੁੱਟ ਵਿੱਚ ਲਗਭਗ 50% ਵਾਧਾ ਕੀਤਾ.
ਸਭ ਤੋਂ ਔਖੀਆਂ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਕਿਰਾਏ-ਜਾਇਦਾਦ ਰਿਟਰਨ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨਾ ਸੀ, ਜਿਸ ਨੂੰ 90% ਸਟੀਕਤਾ ਅਤੇ ਰੀਕਾਲ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਛੇ ਹਫ਼ਤਿਆਂ ਦੀ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਸੀ. ਇਸ ਕੰਮ ਨੇ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਪੈਟਰਨ ਬਣਾਏ ਜਿਨ੍ਹਾਂ ਨੇ ਟੈਕਸ AI ਨੂੰ ਹੋਰ ਗੁੰਝਲਦਾਰ ਟੈਕਸ ਸਮਾਂ-ਸਾਰਨੀਆਂ ਤੱਕ ਵਧਾਉਣਾ ਆਸਾਨ ਬਣਾ ਦਿੱਤਾ.
ਟੀਮਾਂ ਹੁਣ ਬੁੱਕਕੀਪਿੰਗ, ਆਡਿਟ, ਅਤੇ IT ਸਹਾਇਤਾ ਲਈ ਉਹੀ ਪਹੁੰਚ ਲਾਗੂ ਕਰ ਰਹੀਆਂ ਹਨ - ਪ੍ਰੈਕਟੀਸ਼ਨਰ ਫੀਡਬੈਕ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਵਰਤੋਂ ਦੁਆਰਾ ਸੁਧਾਰ ਕਰਨ ਵਾਲੇ ਸਿਸਟਮ ਬਣਾਉਣਾ.
ਕਈ ਵਾਰ ਬਿਹਤਰ ਪ੍ਰੋਡਕਟ ਸਾਨੂੰ ਆਪਣਾ ਬਣਾਇਆ ਸਿਸਟਮ ਸੌਖਾ ਕਰਨ ਦਿੰਦਾ ਹੈ, ਪਰ ਕਈ ਵਾਰ ਮਾਡਲ ਖ਼ੁਦ ਅਜੇ ਉਹ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕਦਾ.
ਜੇਕਰ ਅਸੀਂ ਸਿਰਫ਼ ਉਹੀ ਬਣਾਈਏ ਜੋ ਅੱਜ ਦੇ ਮਾਡਲ ਪਹਿਲਾਂ ਹੀ ਸੰਭਵ ਬਣਾਉਂਦੇ ਹਨ, ਤਾਂ ਅਸੀਂ ਇੰਟੈਲੀਜੈਂਸ ਦੀਆਂ ਉਹ ਕਮੀਆਂ ਲੱਭ ਹੀ ਨਹੀਂ ਸਕਾਂਗੇ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਖੋਜ ਟੀਮ ਨੇ ਅੱਗੇ ਜਾ ਕੇ ਦੂਰ ਕਰਨਾ ਹੈ. ਇਸੇ ਲਈ ਸਾਡੇ ਬਹੁਤ ਸਾਰੇ ਅਹਿਮ ਸਾਂਝੇ ਪ੍ਰੋਜੈਕਟ ਇਹਨਾਂ ਹੱਦਾਂ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ, ਜਿੱਥੇ ਗਾਹਕ, ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਅਤੇ ਖੋਜ ਟੀਮ ਮਿਲ ਕੇ ਇਹਨਾਂ ਨੂੰ ਪਾਰ ਕਰਨ ਲਈ ਵਚਨਬੱਧ ਹੁੰਦੇ ਹਨ.
ਅਸੀਂ ਦੂਰਸੰਚਾਰ ਖੇਤਰ ਦੀ ਇੱਕ ਵੱਡੀ ਗਾਹਕ ਕੰਪਨੀ ਨਾਲ ਮਿਲ ਕੇ ਗਾਹਕ ਸੇਵਾ ਪਲੇਟਫਾਰਮ ਪਹਿਲਾਂ ਹੀ ਤਿਆਰ ਕਰ ਚੁੱਕੇ ਸੀ, ਅਤੇ ਉਹ ਇਸ ਵਿੱਚ ਆਵਾਜ਼ ਰਾਹੀਂ ਸੇਵਾ ਵੀ ਸ਼ਾਮਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਸਨ.
ਉਨ੍ਹਾਂ ਦੀ ਗਾਹਕ ਸੇਵਾ ਦੇ ਲਗਭਗ 90% ਮਾਮਲੇ ਆਵਾਜ਼ ਰਾਹੀਂ ਹੁੰਦੇ ਸਨ. ਇਹਨਾਂ ਮਾਮਲਿਆਂ ਨੂੰ ਮਨੁੱਖੀ ਮਦਦ ਤੋਂ ਬਿਨਾਂ ਹੱਲ ਕਰਨਾ ਚੈਟ ਨਾਲੋਂ ਮਹਿੰਗਾ ਸੀ. ਨਾਲ ਹੀ, ਲਹਿਜਿਆਂ, ਬੋਲਣ ਦੇ ਅੰਦਾਜ਼, ਜਵਾਬ ਦੇਣ ਦੀ ਦੇਰੀ ਅਤੇ ਸਹੀਪਣ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਲੋੜੀਂਦੇ ਪੱਧਰ ਤੱਕ ਲਿਆਉਣ ਵਿੱਚ ਕਈ ਨਵੀਆਂ ਤਕਨੀਕੀ ਚੁਣੌਤੀਆਂ ਸਨ. ਇਸ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਚਲਾਉਣ ਨਾਲ ਉਹਨਾਂ ਦੇ ਕਾਰੋਬਾਰ ਨੂੰ ਵੱਡਾ ਲਾਭ ਹੋਣਾ ਸੀ.
ਕੰਮ ਦਾ ਦਾਇਰਾ ਤੈਅ ਕਰਨ ਵੇਲੇ ਸਾਡੇ ਮਾਡਲ ਨੇ ਮੁੱਖ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ ਲਗਭਗ 60% ਅੰਕ ਹਾਸਲ ਕੀਤੇ. ਇਹਨਾਂ ਮੁਲਾਂਕਣਾਂ ਨਾਲ ਅਸੀਂ ਜਾਂਚਦੇ ਸੀ ਕਿ ਕੀ ਇਹ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਕੰਮ ਕਰ ਸਕੇਗਾ. ਅਸੀਂ ਇਸ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦੀ ਹੱਦ ਤੱਕ ਪਹੁੰਚ ਚੁੱਕੇ ਸੀ. ਗਾਹਕ ਸੇਵਾ ਦੇ ਹਾਲਾਤ ਵਿੱਚ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਅਤੇ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਲੋੜ ਸੀ.
ਅਸੀਂ ਗਾਹਕ ਨੂੰ ਇਹ ਗੱਲ ਸਮਝਾਈ ਅਤੇ ਖੋਜ ਟੀਮ ਨੂੰ ਕੰਮ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ. ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਨੇ ਗਾਹਕ ਨਾਲ ਮਿਲ ਕੇ ਪਲੇਟਫਾਰਮ ਬਣਾਇਆ ਅਤੇ ਤੈਅ ਕੀਤਾ ਕਿ ਮਾਡਲ ਨੇ ਕੀ ਕਰਨਾ ਹੈ. ਖੋਜ ਟੀਮ ਨੇ ਸਮਰੱਥਾਵਾਂ ਦੀਆਂ ਕਮੀਆਂ ਦੂਰ ਕਰਨ ’ਤੇ ਕੰਮ ਕੀਤਾ ਜਦਕਿ ਮਾਡਲ ਦੇ ਲਗਾਤਾਰ ਜਾਰੀ ਕੀਤੇ ਗਏ ਵਰਜਨਾਂ ਨੇ ਗਾਹਕ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਪ੍ਰਗਤੀ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਹੂਲਤ ਦਿੱਤੀ.
ਛੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਮੁੱਖ ਮੁਲਾਂਕਣਾਂ ’ਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਲਗਭਗ 60% ਤੋਂ ਵਧ ਕੇ 80% ਅਤੇ ਫਿਰ 90% ਤੋਂ ਉੱਪਰ ਪਹੁੰਚ ਗਈ, ਜੋ ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਲੋੜੀਂਦਾ ਪੱਧਰ ਸੀ.
ਇਸ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਵੌਇਸ ਮਾਡਲ ਹੁਣ ਉਸ ਗਾਹਕ ਦੇ ਡਿਪਲੌਇਮੈਂਟ, ਹੋਰ ਕਸਟਮ ਗਾਹਕ-ਸੇਵਾ ਡਿਪਲੌਇਮੈਂਟਾਂ ਅਤੇ Presence ਰਾਹੀਂ ਪ੍ਰਬੰਧਿਤ ਡਿਪਲੌਇਮੈਂਟਾਂ ਨੂੰ ਵੀ ਸਹਾਇਤਾ ਦਿੰਦਾ ਹੈ. ਇੱਕ ਗਾਹਕ ਦੇ ਕਾਰੋਬਾਰ ਵਿੱਚ ਸਾਹਮਣੇ ਆਈ ਸਮੱਸਿਆ ਨੇ ਅਜਿਹੇ ਸੁਧਾਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਜਿਨ੍ਹਾਂ ਦਾ ਲਾਭ ਕਈ ਹੋਰ ਗਾਹਕਾਂ ਨੂੰ ਵੀ ਮਿਲ ਸਕਦਾ ਹੈ.
ਹਰ ਹਿੱਸੇ ਦੀ ਅਹਿਮੀਅਤ ਸੀ. ਗਾਹਕ ਨੇ ਅਜਿਹੀ ਸਮੱਸਿਆ ’ਤੇ ਕੰਮ ਕਰਨ ਦੀ ਵਚਨਬੱਧਤਾ ਦਿਖਾਈ ਜਿਸ ਨੂੰ ਮਾਡਲ ਅਜੇ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦਾ ਸੀ. ਫਾਰਵਰਡ ਡਿਪਲੌਏਡ ਇੰਜੀਨੀਅਰ ਗਾਹਕ ਨਾਲ ਇੰਨਾ ਨੇੜਿਓਂ ਜੁੜਿਆ ਰਿਹਾ ਕਿ ਸਮੱਸਿਆ ਨੂੰ ਸਪਸ਼ਟ ਕਰ ਸਕੇ, ਪਲੇਟਫਾਰਮ ਬਣਾ ਸਕੇ ਅਤੇ ਸਾਂਝੇ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਅੱਗੇ ਵਧਾ ਸਕੇ. ਖੋਜ ਟੀਮ ਨੇ ਮਾਡਲ ਦੀਆਂ ਬੁਨਿਆਦੀ ਸਮਰੱਥਾਵਾਂ ਸੁਧਾਰੀਆਂ.
ਆਪਣੀ ਲੋੜ ਖ਼ਤਮ ਕਰ ਦੇਣ ਦਾ ਇਹ ਦੂਜਾ ਤਰੀਕਾ ਹੈ: ਅੱਜ ਦੇ ਮਾਡਲਾਂ ਤੋਂ ਨਾ ਸੁਲਝ ਸਕਣ ਵਾਲੀ ਸਮੱਸਿਆ ਨੂੰ ਭਵਿੱਖ ਦੇ ਮਾਡਲਾਂ ਦੀ ਸਮਰੱਥਾ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ. ਸਾਡੇ ਕੰਮ ਦਾ ਲਾਭ ਕਿਸੇ ਇੱਕ ਗਾਹਕ ਨਾਲ ਬਿਤਾਏ ਘੰਟਿਆਂ ਤੋਂ ਕਿਤੇ ਅੱਗੇ ਤੱਕ ਜਾਂਦਾ ਹੈ.
ਮੈਂ ਲੋਕਾਂ ਦੇ ਰੋਜ਼ਾਨਾ ਕੰਮ ਵਿੱਚ AI ਨੂੰ ਉਪਯੋਗੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ OpenAI ਨਾਲ ਜੁੜਿਆ ਸੀ. ਅੱਜ ਵੀ ਇਹੀ ਸੋਚ ਟੀਮ ਨੂੰ ਦਿਸ਼ਾ ਦਿੰਦੀ ਹੈ. ਮੈਂ ਟੀਮ ਨੂੰ ਅਕਸਰ ਕਹਿੰਦਾ ਹਾਂ ਕਿ LLM ਵਿਕਾਸ ਦੇ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਓਕਮ ਦਾ ਸਿਧਾਂਤ ਲਾਗੂ ਹੁੰਦਾ ਹੈ—ਸਭ ਤੋਂ ਸਰਲ ਹੱਲ ਹੀ ਸਭ ਤੋਂ ਵਧੀਆ ਹੁੰਦਾ ਹੈ. ਸਾਡੀ ਕੰਪਨੀ ਆਪਣੀ ਅਤਿ-ਆਧੁਨਿਕ ਖੋਜ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਜਦਕਿ ਇਸ ਉਦਯੋਗ ਦੀ ਸਾਖ਼ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਕੀਤੇ ਦਾਅਵਿਆਂ ਨਾਲ ਖ਼ਰਾਬ ਹੋਈ ਹੈ. ਅਜਿਹੇ ਵਿੱਚ ਅਸੀਂ ਉਹ ਚੀਜ਼ਾਂ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਨ ਅਤੇ ਜਿਨ੍ਹਾਂ ’ਤੇ ਅਮਲੀ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕ ਨਿਰਭਰ ਕਰ ਸਕਣ.
ਟੀਚਾ ਇਹ ਹੈ ਕਿ ਹਰ ਸਾਂਝਾ ਪ੍ਰੋਜੈਕਟ ਅਗਲੇ ਕੰਮ ਨੂੰ ਬਿਹਤਰ ਬਣਾਏ: ਕੋਈ ਪ੍ਰੋਡਕਟ ਜਿਸ ਨੂੰ ਡਿਪਲੌਇ ਕਰਨਾ ਸੌਖਾ ਹੋਵੇ, ਕੋਈ ਮਾਡਲ ਜੋ ਹੋਰ ਔਖਾ ਕੰਮ ਕਰ ਸਕੇ, ਜਾਂ ਅਗਲੇ ਗਾਹਕ ਲਈ ਘੱਟ ਕਸਟਮ ਕੰਮ ਦੀ ਲੋੜ ਪਵੇ.
ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ ਔਖੀ ਸਮੱਸਿਆ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਹੱਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਾਨੂੰ ਤੁਹਾਡੇ ਨਾਲ ਕੰਮ ਕਰਕੇ ਖ਼ੁਸ਼ੀ ਹੋਵੇਗੀ. ਜੇ ਤੁਸੀਂ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਅਸੀਂ ਚਾਹਾਂਗੇ ਕਿ ਤੁਸੀਂ ਸਾਡੀ ਟੀਮ ਨਾਲ ਜੁੜੋ.
ਤਾਂ ਜਦੋਂ Codex ਉਹ ਕੰਮ ਸੰਭਾਲ ਸਕਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਅਸੀਂ ਕਈ ਮਹੀਨੇ ਲਗਾਏ, ਤਾਂ ਅਸੀਂ ਕੀ ਕਰਦੇ ਹਾਂ?
ਹੋਰ ਔਖੀ ਸਮੱਸਿਆ ਲੱਭੀਏ.
