रेकॉर्ड केलेल्या बैठका ही पुरेशा प्रमाणात न वापरली जाणारी ज्ञानसंपदा आहे. त्यांत शोध घेणे अवघड असते, त्या पुन्हा पाहण्यात बराच वेळ जातो आणि त्या विविध संघांच्या ड्राइव्हमध्ये विखुरलेल्या असतात. त्यामुळे मौल्यवान माहिती अनेकदा नजरेआड होते.
एका दिवसाच्या हॅकाथॉनमध्ये तीन जणांच्या संघाने Callombia तयार केले. हे एक अंतर्गत व्यासपीठ आहे, जे रेकॉर्ड केलेल्या कॉलचे आपोआप लिप्यंतरण, टॅगिंग आणि सारांशीकरण करते, तसेच त्यांतील क्लिप तयार करून जगभरातील कार्यालयांना उपलब्ध असलेल्या, शोध घेता येणाऱ्या YouTube-सदृश रिपॉझिटरीत ठेवते.
संपूर्णपणे Codex वापरून तयार केलेले हे समाधान अचूक कीवर्ड वापरले नसतानाही संबंधित क्षण शोधण्यासाठी OpenAI एम्बेडिंग आणि कोसाइन साम्याद्वारे समर्थित अर्थाधारित शोध वापरते. त्यावर RAG चॅटबॉट आणि सूचना प्रणालीचे स्तरही जोडले आहेत.
पूर्वी अनेक आठवडे लागले असते असे काम सात तासांत पूर्ण झाले. Codexसारख्या कोडिंग एजंटसह कृत्रिम बुद्धिमत्ता-केंद्रित विकासामुळे उत्पादन विकासाचे कालचक्र किती मोठ्या प्रमाणात कमी होऊ शकते आणि अंतर्गत हॅकाथॉनमधून खरे व्यावसायिक मूल्य कसे निर्माण होऊ शकते, हे यातून दिसून आले.
तुम्ही माझ्यासारखे असाल, तर रेकॉर्ड केलेल्या बैठका पुन्हा ऐकण्यासाठी तुमच्याकडे क्वचितच वेळ किंवा पुरेसे लक्ष असेल. याचे कारण बहुतेकदा विस्कळीत संघीय ड्राइव्हमध्ये शोधावे लागणे, निरर्थक गप्पांचे भाग वगळावे लागणे आणि ईमेल व संदेश पाठवत असतानाच खरोखर ऐकण्याचा प्रयत्न करावा लागणे हे असते.
पण कदाचित हे असेच असण्याची गरज नाही ना? रेकॉर्ड केलेल्या बैठका वापरण्याची पद्धत पूर्णपणे बदलणारे काहीतरी आपण तयार करू शकू का? आमच्या अलीकडील हॅकाथॉन प्रकल्पामागे हाच विचार होता.
अवघ्या एका दिवसात आमच्या अभियांत्रिकी, वितरण आणि परिचालन संघांतील 50 जणांनी व्यवसायाच्या विविध भागांतून आलेल्या अनेक समस्यांवर काम केले. त्यांत भरतीविषयक कामकाजाचा विस्तार, SoW निर्मिती सुलभ करणे, प्रकल्पांची स्थिती समजून घेणे, तत्काळ नमुने तयार करणे आणि रेकॉर्ड केलेल्या बैठकांमधील माहिती समोर आणणे यांचा समावेश होता.
Codexवर आधारित या हॅकाथॉनमध्ये आम्ही Callombia तयार केले. Callombia म्हणजे आमच्या व्यवसायाचे YouTube आहे, जे प्रत्येक कॉलचे सतत अद्ययावत होणाऱ्या आणि शोधता येणाऱ्या साधनात रूपांतर करते. प्रत्येक कॉलचे आपोआप लिप्यंतरण, टॅगिंग आणि सारांशीकरण केले जाते. त्यानंतर त्याचे विषयानुसार क्लिपमध्ये विभाजन करून ग्राहकांनुसार वाहिन्या आणि कृत्रिम बुद्धिमत्तेतील तज्ज्ञतेच्या क्षेत्रांनुसार विषय अशा गटांत मांडलेल्या रिपॉझिटरीत ते जोडले जाते. यामुळे लंडन, एडिनबरा, सिंगापूर आणि ऑस्ट्रेलियातील संघाचा कोणताही सदस्य त्याच्यासाठी महत्त्वाचे असलेले कॉलमधील क्षण त्वरित पाहू शकतो.
ओळखीच्या आणि ब्रँडशी सुसंगत वापरकर्ता आंतरपृष्ठामुळे आशय शोधणे सहज होते, तर अर्थाधारित शोध आणि अर्थातच RAG कृत्रिम बुद्धिमत्ता चॅटबॉट लोकांना नेमकी हवी असलेली माहिती शोधण्यात मदत करतात. सूचना प्रणालीमुळे आमचे सहकारी विशिष्ट विषयांची सदस्यता घेऊ शकतात आणि त्यांच्याशी संबंधित नवीन क्लिप प्रसिद्ध झाल्यास त्यांना सूचना मिळू शकते.
पण Callombiaची खास गोष्ट म्हणजे उत्पादन किंवा हॅकाथॉन जिंकल्याबद्दल मिळालेले £2k बक्षीस नव्हे, तर दोन अभियंते आणि एका वितरण प्रमुखाने हे सर्व अवघ्या सात तासांत तयार केले ही आहे. वर्षभरापूर्वी हे शक्य नव्हते. कोडिंग एजंटमधील सुधारणांमुळे उत्पादन विकासाच्या संपूर्ण प्रक्रियेला प्रचंड वेग आला आहे. या क्षमतेच्या असमान सीमांचा अंदाज घेण्यासाठी हा हॅकाथॉन उत्तम प्रयोगक्षेत्र ठरला. मग आम्ही Codex कसा वापरला?
आवश्यकतांची मोठी यादी लिहिण्याऐवजी आम्ही प्रथम समस्येचे क्षेत्र आणि Callombiaबद्दलची आमची कल्पना यावरील सामूहिक दृष्टिकोन प्रॉम्प्टच्या रूपात मांडला. जाणीवपूर्वक तपशील न दिल्यामुळे मॉडेलला स्वतः काम आणि सर्जनशील विचार करू दिला:
दहा मिनिटांच्या चर्चेनंतर आवश्यकता अधिक नेमक्या करण्यासाठी आणि निर्मितीच्या तांत्रिक भागाला दिशा देण्यासाठी आम्ही नियोजन मोड सुरू केला. नियोजन मोड वापरताना, प्रत्येक संभाव्य परिस्थितीचा आधीच विचार केलेल्या त्या त्रासदायक पण मदत करणाऱ्या मित्राच्या प्रश्नांना उत्तरे देत असल्यासारखे वाटते. व्हिडिओंची संख्या, अर्थाधारित की कीवर्ड शोध आणि वापरायची रचना अशा बाबींवर सहमती झाल्यानंतर त्याने एक मार्कडाउन फाइल तयार केली, जी पुढील प्रकल्पाचा आधार ठरली.
योजना तयार झाल्यानंतर Callombia प्रत्यक्षात चालण्यासाठी आवश्यक असलेले मुख्य घटक तयार करणे ही पुढची पायरी होती. त्यासाठी रेकॉर्ड केलेल्या कॉलपासून शोधता येणाऱ्या साधनांपर्यंतची प्रक्रिया तयार करायची होती:
व्हिडिओ आणि लिप्यंतरे आयात करणे,
त्यांचे अर्थपूर्ण क्षणांमध्ये विभाजन करणे,
सारांश आणि टॅग जोडून ते अधिक समृद्ध करणे,
अग्रभागाला वापरता येतील अशा APIद्वारे ते उपलब्ध करणे.
एडने कच्ची रेकॉर्डिंग आणि लिप्यंतरित माहिती वापरण्यायोग्य स्वरूपात आणण्यावर अधिक लक्ष दिले, तर निकोने ते क्षण शोधण्यायोग्य बनवणाऱ्या पुनर्प्राप्ती स्तरावर अधिक लक्ष केंद्रित केले. Codexच्या मदतीने त्या दोघांना माहितीची मॉडेल, निष्कर्षण संकेतांक आणि पश्चभागातील जोडणीचे घटक स्वतः तयार करण्यापेक्षा खूप वेगाने उभारता आले. त्यामुळे आम्हाला व्हिडिओला जोडलेल्या लिप्यंतरापेक्षा बरेच काही मिळाले. आम्हाला नेमके क्षण मिळाले: Tescoशी संबंधित भाग, धोरणावरील ताजी माहिती, भरतीविषयक चर्चा किंवा कॉलमधील एखाद्याला प्रत्यक्ष पाहायची असलेली नेमकी 90 सेकंदांची क्लिप.
या पुनर्प्राप्ती स्तरावर काम विशेषतः रंजक झाले. एखाद्याने “आर्थिक कामगिरी”, “Tescoची भावी योजना” किंवा “संभाषण मूल्यमापन” असे काहीतरी लिहिल्यावर, तेच शब्द कधीही उच्चारले गेले नसले तरी त्याला सर्वाधिक संबंधित क्लिपपर्यंत पोहोचवायचे होते. त्यासाठी आम्ही वेळखुणा, सारांश, लिप्यंतरित मजकूर आणि अधिमाहितीसह विभाग तयार केले. रचना स्पष्टपणे ठरवल्यानंतर आणि Codexच्या भरपूर मदतीने आम्ही विषय, सारांश आणि लिप्यंतर एकाच इनपुटमध्ये एकत्र केले. त्यानंतर प्रत्येक विभागासाठी एम्बेडिंग निर्माण करण्यासाठी OpenAIचे text-embedding-3-small मॉडेल वापरले. ही एम्बेडिंग आम्ही माहितीकोशात साठवली आणि वापरकर्त्याच्या प्रश्नाची प्रत्येक विभागाशी तुलना करण्यासाठी कोसाइन साम्य वापरले. त्यामुळे साध्या कीवर्ड शोधाऐवजी अर्थाधारित पुनर्प्राप्ती स्तर मिळाला.
अचूकतेच्या दृष्टीने ही पद्धत अतिशय प्रभावी ठरली आणि हॅकाथॉनमधील प्रात्यक्षिकादरम्यान उत्पादनाला “जादुई” अनुभव मिळाला. त्याच वेळी, व्हिडिओंची संख्या सतत वाढत राहिल्यास ही पद्धत कायम विस्तारता येणार नाही, हे आम्हाला माहीत होते. कारण प्रत्येक प्रश्नाची प्रत्येक विभागाशी तुलना करणे अखेरीस खूप खर्चिक झाले असते. मजकूरसंग्रह वाढताना तुलनांची संख्या कमी करण्यासाठी आणि विलंब कमी ठेवण्यासाठी श्रेणीबद्ध दिशादर्शी लघु-जगतासारख्या अधिक कार्यक्षम पुनर्प्राप्ती पद्धती वापरणे ही स्वाभाविक पुढची पायरी असेल. हे वैशिष्ट्य काम करू लागल्यानंतर Callombia हे माध्यम संग्रहापेक्षा ज्ञान प्रणालीसारखे अधिक वाटू लागले.
सर्व चांगल्या हॅकाथॉनप्रमाणे या भागातही सुधारणा कराव्या लागल्या. सुरुवातीच्या विभागांच्या सीमा खूपच ढोबळ होत्या, काही वेळखुणा अधिक अचूक करायच्या होत्या, काही टॅग खूप व्यापक होते आणि लिप्यंतर व रेकॉर्डिंगच्या फाइल नेहमी व्यवस्थित जुळत नव्हत्या. पण त्यातूनच या कामाचे मूल्यही दिसून आले. मांडणी आणि पुनर्कामात अडकून न पडता Codexमुळे आम्हाला प्रणालीत झपाट्याने सुधारणा करता आल्या. अखेरीस आमच्याकडे क्लिप, लहान उतारे आणि खरोखर उपयुक्त अर्थाधारित शोध चालवू शकणारा पश्चभाग तयार होता. त्या टप्प्यावर Callombia हे केवळ हॅकाथॉनचे प्रात्यक्षिक न वाटता खरे उत्पादन वाटू लागले.
एड आणि निकोने माहिती आयात व बुद्धिमत्ता स्तर तयार केला, तर मी अग्रभाग तयार केला. आमचा संपूर्ण तंत्रसंच साचा वापरून मला संकेतांकाची एकही ओळ न लिहिता संकेतस्थळाची पहिली आवृत्ती झटपट तयार करता आली. माझ्या ब्राउझरमध्ये संकेतस्थळ स्थानिकरीत्या उघडण्यास सांगितल्यानंतर, अपेक्षित रचनेपर्यंत सुधारणा करण्यासाठी मी मुद्देसूद अभिप्राय देत राहिलो.
सुमारे तासभर अशा देवाणघेवाणीनंतर माझ्याकडे समाधानकारक परिणाम तयार होता. तोही वापरकर्ता आंतरपृष्ठ किंवा रचनेचा कोणताही अनुभव नसताना. अंतिम उत्पादन निश्चितच परिपूर्ण नसले, तरी लोकांना उत्पादन समजून घेता येईल अशी ती चांगली पहिली आवृत्ती आहे.
दिवसाच्या अखेरीस काहीतरी तयार असावे यासाठी आम्ही काम आपापसांत विभागून घेतले होते. अर्थातच, काही तास अंशतः स्वतंत्रपणे काम केल्यानंतर आमच्या प्रत्येकाच्या स्थानिक शाखांमध्ये असंख्य संघर्ष निर्माण झाले होते.
आमच्याकडे नसलेला वेळ खर्च करून प्रत्येक संघर्ष काळजीपूर्वक सोडवण्याऐवजी आम्ही Codexला रिपॉझिटरींवर मुक्तपणे काम करू देऊन ते संघर्ष स्वतः सोडवण्यास सांगितले. व्यावसायिक दर्जाच्या सॉफ्टवेअर विकासासाठी सध्या आम्ही या पद्धतीची शिफारस करणार नसलो, तरी कमी जोखमीच्या वातावरणात तिची परिणामकारकता पाहणे विलक्षण होते आणि त्यामुळे आमचे अनेक तास वाचले.
हॅकाथॉनचा अंतिम भाग म्हणजे परीक्षकांसाठी Callombiaचे प्रात्यक्षिक रेकॉर्ड करणे. रेकॉर्डिंगसाठी सहजपणे Loom उघडावेसे वाटले, पण हे Codexसाठी खरे आव्हान आणि त्याच्या सध्याच्या क्षमतांपेक्षा थोडे वेगळे काम ठरू शकते, असे आम्हाला वाटले. म्हणून आम्ही एक प्रॉम्प्ट लिहिला, Callombiaच्या संकेतस्थळाची लिंक दिली, OpenAIच्या विकसक व्यासपीठावर माझ्या आवाजाचे रेकॉर्डिंग जोडले आणि उरलेले काम करण्यास सांगितले.
पहिलाच प्रयत्न अतिशय प्रभावी होता. त्याने प्रात्यक्षिकाची संहिता लिहिली, स्क्रीन रेकॉर्ड केली, माझे निवेदन जोडले आणि जवळपास सर्व अपेक्षा पूर्ण केल्या. प्रात्यक्षिकाच्या रेकॉर्डिंगशी निवेदन जुळवण्यातच आम्ही पूर्णपणे समाधानी नव्हतो. म्हणून आम्ही त्याला सांगितले, “अनिवार्य: प्रात्यक्षिकात दिसणाऱ्या दृश्यांशी निवेदन अचूकपणे जुळवा. त्यांत विसंगती होती, उदाहरणार्थ गप्पांच्या पृष्ठावर. शेवटी निवेदन आणि स्क्रीनवर रेकॉर्ड केलेले प्रात्यक्षिक यांचा ताळमेळ तीनदा तपासा. कोणत्याही शक्य मार्गाने ते जुळवा.”
या विनंतीनंतर Codexने निवेदन आणि रेकॉर्डिंगचे लहान भाग केले आणि संध्याकाळी 5.30 वाजण्याच्या अगदी आधी काम जवळपास निर्दोषपणे पूर्ण केले. त्यानंतर उत्सवासाठी बिअर आणि पिझ्झाची वेळ झाली.
Callombia बहुतांश व्यवसायांना भेडसावणारी समस्या सोडवते, हे आम्हाला माहीत आहे. वेगाने विस्तारत असलेल्या कंपनीतील प्रत्येक कॉलला उपस्थित राहणे कठीण असते, पण त्या कॉलमध्ये सांगितले जाणारे ज्ञानाचे मोलाचे तुकडे अमूल्य असतात. आता आम्हाला फक्त ते प्रत्यक्ष उत्पादनात आणायचे आहे.
मात्र कृत्रिम बुद्धिमत्ता-केंद्रित होण्याबाबत यातून मोठा धडाही मिळतो. सामायिक समस्या सोडवण्यासाठी अभियांत्रिकी आणि उत्पादनविषयक कौशल्य एकवटण्याचा फायदाही यात दिसतो. नेहमीच्या कार्यचक्रातून बाहेर पडून, विविध संघांनी सहकार्य करून आणि हे सर्व काहीसे स्पर्धात्मक वातावरणात केल्यामुळे अखेरीस आमच्याकडे अशी अनेक समाधाने होती, जी थोडे बदल करून प्रत्यक्ष उत्पादनात आणता येतील. हे नियमितपणे केल्यास, ग्राहकांसाठी तयार केलेल्या समाधानांइतकेच आमचे अंतर्गत कामकाजही सुरळीत आणि प्रभावी राहील याची खात्री करता येईल.