Fremadrettet ingeniørarbejde hos OpenAI
Vi samarbejder med organisationer om at løse problemer med stor gennemslagskraft ved hjælp af AI – med udgangspunkt i grundprincipper og ved at idriftsætte systemer i virkelige miljøer.
Forward deployed engineering (FDE) er den måde, hvorpå OpenAI bringer AI i produktion til komplekse, virkelige brugsscenarier.
I stedet for at starte med et generelt produkt arbejder FDE-teams direkte med kunder for at løse et specifikt problem, validere effekten og derefter identificere mønstre, der kan skaleres.
Denne tilgang hjælper organisationer med at gå fra at eksperimentere med kunstig intelligens til en pålidelig implementering.
FDE-teams opererer i miljøer med høj grad af tvetydighed, hvor traditionelle softwaretilgange ikke slår til.
Byg ud fra grundprincipperne
Prioritér hastighed og konkret effekt
Arbejd direkte med domæneeksperter
Skab værdi tidligt, og arbejd derefter hen imod opskalering
Målet er enkelt: at skabe AI-systemer, der fungerer i praksis, ikke kun i teorien.
BBVA indgik et partnerskab med OpenAI for at hjælpe med at opbygge en AI-baseret bank på globalt plan. Det, der begyndte som en tidlig implementering af ChatGPT Enterprise, blev hurtigt udbredt i hele organisationen og hjalp medarbejderne med at forbedre arbejdsgange, styrke beslutningstagningen og levere bedre kundeoplevelser. I dag skaleres samarbejdet op til 120.000 medarbejdere fordelt på 25 lande med AI integreret i selve kernen af bankens drift.
Vi har indgået et samarbejde med John Deere om at implementere AI-baserede anbefalinger til landmænd i såsæsonen. Efter at have gennemgået hundredvis af eksempler fra den virkelige verden sammen med fageksperter, udviklet skræddersyede evalueringssystemer til at måle nøjagtigheden og hurtigt foretaget justeringer for at forbedre modellens ydeevne, lykkedes det John Deere at hjælpe landmændene med at reducere brugen af kemikalier med 70 % og seksdoble deres 1kundeengagementet.
Ved at løse reelle kundeproblemer identificerer vores kundevendte ingeniørteams gentagelige mønstre, der udvikler sig til produktfunktioner. Denne cyklus – udvikling, test og generalisering – forbinder implementering med produktudvikling på tværs af Agent SDK, AI-understøttede redigeringssystemer, værktøjer til modelbenchmarking og pålidelighedsvurdering samt meget mere.