OpenAI, Codex skills மற்றும் plugins-ஐ AI பணியிடம் தானியக்கத்தின் அடுத்த அடுக்காக நிலைநிறுத்துகிறது

chat assistant-இலிருந்து process-following work agent-க்கு

OpenAI-யின் சமீபத்திய Codex வழிகாட்டுதல், AI-யை அன்றாட வேலைக்குள் மேலும் ஆழமாக கொண்டு செல்ல நிறுவனம் என்ன விரும்புகிறது என்பதை தெளிவாக காட்டுகிறது. புதிய Academy explainer-இல் OpenAI இரண்டு கட்டுமானக் கூறுகளை விவரிக்கிறது: plugins, அவை Codex-ஐ வெளிப்புற கருவிகள் மற்றும் தகவல் மூலங்களுடன் இணைக்கின்றன; மற்றும் skills, அவை ஒரு குழு அல்லது நிறுவனம் ஒரு பணியை எவ்வாறு செய்ய விரும்புகிறது என்பதை கற்பிக்கின்றன.

இந்த வேறுபாடு முக்கியமானது, ஏனெனில் இது AI-யின் பயனையை ஒரே தடவை செய்யப்படும் prompting-ஐத் தாண்டி மறுபரிசீலிக்கிறது. ஒரு plugin system-க்கு அணுகலை வழங்குகிறது. ஒரு skill அதற்கு நடைமுறையை வழங்குகிறது. இரண்டும் சேர்ந்து பயன்படுத்தப்படும்போது, அவை அலுவலக வேலைக்கான ஒரு இலகு operational layer போல தோன்றத் தொடங்குகின்றன; இதில் ஒரு AI agent இணைக்கப்பட்ட systems-இலிருந்து data-ஐ எடுத்துக் கொண்டு, ஒவ்வொரு முறையும் மீண்டும் வழிகாட்ட வேண்டாமலே, ஒரே மாதிரியான, நிறுவனத்திற்கே உரிய workflow-ஐப் பின்பற்ற முடியும்.

இது சிறிது சிறிதாகப் போலத் தோன்றலாம், ஆனால் இது பெரிய இலக்கைச் சுட்டிக்காட்டுகிறது. வெறும் conversational helper-ஆக இல்லாமல், Codex கருவிகளை இணைக்கவும், context-ஐ அணுகவும், மீண்டும் பயன்படுத்தக்கூடிய செயல்முறையை நெருக்கமாகப் பின்பற்றவும் கூடிய அமைப்பாக நிலைநிறுத்தப்படுகிறது; இதன் மூலம் குறைவான மேற்பார்வையுடன் உண்மையான outputs உருவாக்கலாம்.

plugins என்ன செய்கின்றன

OpenAI-யின் explainer கூறுவதன்படி, plugins Codex-ஐ பிற tools மற்றும் தகவல் மூலங்களுடன் இணைக்க உதவுகின்றன. அது தரும் உதாரணங்கள் futuristic அல்ல, நடைமுறை சார்ந்தவை: email inbox-ஐ ஸ்கேன் செய்வது, Google Drive-இல் உள்ள files-ஐ மேற்கோள் காட்டுவது, அல்லது ஒரு குழு ஏற்கனவே பயன்படுத்தும் மற்றொரு tool-இல் இருந்து தகவலை எடுப்பது. வேறு வார்த்தைகளில் சொன்னால், plugins என்பது chat interface-ஐ வேலை நடைபெறும் systems-இலிருந்து பிரிக்கும் கைமுறையான copy-paste-ஐ குறைப்பதையே குறிக்கிறது.

இது முக்கியம், ஏனெனில் பல workplace tasks fragmented context காரணமாக bottleneck ஆகின்றன. ஒரு report-க்கு email, documents, dashboards, மற்றும் internal notes ஆகியவற்றிலிருந்து தகவல் தேவைப்படலாம். connectors இல்லையெனில், AI ஏதேனும் பயனுள்ளதாகச் செய்யுமுன் பயனர் இவற்றையெல்லாம் கைமுறையாக சேகரிக்க வேண்டியிருக்கும். plugins, இணைக்கப்பட்ட சூழல்களில் இருந்து தேவையானவற்றை நேரடியாக எடுத்துக்கொள்ள system-ஐ அனுமதித்து அந்த இடைவெளியைக் குறைக்கின்றன.

ஒரு புதிய plugin உருவாக்குவதற்கு பொதுவாக skill உருவாக்குவதைவிட அதிக technical expertise தேவைப்படும் என்றும் OpenAI குறிப்பிடுகிறது. இதன் பொருள், plugins infrastructure ஆகவும், skills குழுக்கள் தங்களுக்கான operating playbooks-ஐ வரையறுக்க பயன்படுத்தும் மேலதிக அணுகக்கூடிய கருவியாகவும் இருக்க வேண்டும் என்பதாகும்.

skills என்ன செய்கின்றன

plugins access-ஐ வழங்கினால், skills method-ஐ வழங்குகின்றன. ஒரு குறிப்பிட்ட குழு அல்லது நிறுவனத்தில் ஒரு பணி எவ்வாறு செய்யப்படுகிறது என்பதை Codex கற்றுக்கொள்ளும் playbook ஆக skill-ஐ OpenAI விவரிக்கிறது. நிறுவனத்தின் உதாரணங்கள் பல விஷயங்களை வெளிப்படுத்துகின்றன: ஒரு குழு newsletter-ஐ எப்படித் தயாரிக்கிறது, customer account brief-ஐ எவ்வாறு தயாரிக்கிறது, project plans-ஐ எவ்வாறு வடிவமைக்கிறது, வெளிப்புற தகவலாடல்களை brand voice-க்கு ஏற்ப எவ்வாறு மதிப்பாய்வு செய்கிறது, அல்லது data-ஐ தொகுக்கும் போது எந்த tools-ஐ எந்த வரிசையில் சரிபார்க்கிறது என்பவை.

இது வணிகப் பணியின் ஒரு மைய உண்மையை பிரதிபலிக்கிறது: பல பணிகள் பகுதி அளவிலேயே generic. ஒரு வாராந்திர status update, customer brief, அல்லது internal report வெளியிருந்து எளிதாகத் தோன்றலாம்; ஆனால் நடைமுறையில் ஒவ்வொரு நிறுவனத்திற்கும் தன் சொந்த அமைப்பு, approval logic, மற்றும் tone உள்ளது. skills என்பது அந்த variability-க்கு OpenAI வழங்கும் பதில். மீண்டும் மீண்டும் prompt engineering-ஐ நம்புவதற்குப் பதிலாக, ஒரு குழு எதிர்பார்ப்புகளை ஒருமுறை encode செய்து பின்னர் அவற்றை மீண்டும் பயன்படுத்த முடியும்.

OpenAI-யின் விளக்கம் எவ்வளவு operational ஆக உள்ளது என்பதால் அது குறிப்பிடத்தக்கது. நிறுவனம் skills-ஐ creativity boosters ஆகக் காட்டவில்லை. அவற்றை process execution-ஐ standardize செய்வதற்கான வழிகளாகக் காட்டுகிறது.

இரண்டையும் சேர்ப்பது ஏன் முக்கியம்

இந்த framework-இன் மிகவும் சுவாரசியமான பகுதி, OpenAI இரண்டையும் ஒன்றாகப் பயன்படுத்துவதை எவ்வாறு விவரிக்கிறது என்பதே. source text-இல் உள்ள உதாரணம் தெளிவானது: ஒரு skill, Codex-ஐ Google Drive plugin-ஐப் பயன்படுத்தி ஒரு folder-இல் உள்ள சமீபத்திய files-ஐ எடுத்துக்கொண்டு, அதன் பிறகு ஒரு குழுவின் விருப்பமான format-இல் வாராந்திர project update-ஐ draft செய்யுமாறு கூறலாம். இந்த சேர்க்கை AI-யை generalized text generator-இலிருந்து workflow actor-க்கு நெருக்கமான ஒன்றாக மாற்றுகிறது.

இதன் தாக்கம் newsletters அல்லது status summaries-ஐத் தாண்டியது. ஒரு system சரியான files-ஐ எடுத்து, சரியான வரிசையில் சரியான tools-ஐ சரிபார்த்து, தேவையான அமைப்பில் வேலை உருவாக்க முடிந்தால், பல recurring knowledge tasks-ஐ மேலும் automate செய்ய முடியும். முழுமையாக autonomous அல்லாமலும், முன்பைவிட அதிக delegation-ஆக.

இங்கே “thinking help” மற்றும் “work help” என்ற வேறுபாடு மேலும் தெளிவாகிறது. பாரம்பரிய chat systems பயனர் அனைத்து context-ஐ கொண்டு வந்து, ஒவ்வொரு படியையும் செயலில் வழிநடத்தும் போது பயனுள்ளதாக இருக்கின்றன. ஒரு connected, process-aware agent பணியின் procedural middle பகுதியைச் செய்யத் தொடங்குகிறது.

OpenAI என்ன சைகை செய்கிறது

Academy guidance ஒரு product education ஆக இருந்தாலும், அதில் strategy-யும் சுட்டிக்காட்டப்படுகிறது. enterprise AI adoption-ன் அடுத்த கட்டம் raw model capability-யை மட்டுமே சார்ந்திருக்காது; AI systems இருக்கும் வேலைச் சூழல்களுடன் எவ்வளவு நன்றாக பொருந்துகின்றன என்பதே முக்கியமாகும் என்று OpenAI பந்தயம் கட்டுவது போலத் தெரிகிறது. tools access, மீண்டும் பயன்படுத்தக்கூடிய process knowledge, மற்றும் organization-specific behavior ஆகியவை, பொதுவான intelligence போலவே, ஒரு AI system உண்மையில் பணியில் பயனுள்ளதாக மாறுமா என்பதை நிர்ணயிக்கக்கூடும்.

இது குறிப்பிடத்தக்க மாற்றம், ஏனெனில் இது perfectly crafted prompts-ன் முக்கியத்துவத்தை குறைக்கிறது. இந்த மாதிரியில், சிறந்த வழி பல நேரங்களில் ஒருமுறை கட்டமைப்பில் முதலீடு செய்வதே: சரியான systems-ஐ இணைக்கவும், சரியான workflow-ஐ வரையறுக்கவும், agent-ஐ அந்த அமைப்பைத் தொடர்ந்து மீண்டும் பயன்படுத்த விடவும்.

தெளிவான கட்டுப்பாடுகள் உள்ளன. connected systems governance கவலைகளை ஏற்படுத்துகின்றன, மேலும் மீண்டும் பயன்படுத்தக்கூடிய workflows-க்கு review அவசியம். முக்கியமானது என்ன என்பதைப் பற்றி திசைமுகமும், வேலை இறுதியானதற்கு முன் review-உம் தேவை என OpenAI தானே Codex-ஐ வரையறுக்கிறது. ஆனால் பயணத்தின் திசை தெளிவாக உள்ளது. நிறுவனம் AI-யை வெறும் responsive ஆக்காமல், operational ஆக்க முயல்கிறது.

skills மற்றும் plugins என்பது எளிமையானதாகத் தோன்றும் இரண்டு அம்சங்கள். ஆனால் நடைமுறையில் அவை ஒரு பெரிய கருத்துடன் இணைகின்றன: AI ஒரு work environment-ஐப் பார்க்கவும், அதற்குள் உள்ள local rules-ஐப் பின்பற்றவும் முடிந்தால் அதன் மதிப்பு அதிகரிக்கும். முயற்சியைத் தாண்டி செல்ல விரும்பும் enterprises-க்கு, இது conversational polish-இல் இன்னொரு சிறிய முன்னேற்றத்தைவிட முக்கியமான innovation ஆக இருக்கலாம்.

• OpenAI கூறுவதன்படி plugins Codex-ஐ வெளிப்புற tools மற்றும் data sources-உடன் இணைக்கின்றன.
• skills-ஐ குழு-சார்ந்த workflows-க்கான மீண்டும் பயன்படுத்தக்கூடிய playbooks என்று விவரிக்கிறது.
• இரண்டையும் சேர்த்துப் பயன்படுத்தினால் Codex தகவலை எடுத்துக்கொண்டு, பின்னர் வரையறுக்கப்பட்ட செயல்முறையைப் பின்பற்ற முடியும்.
• இந்த framework, மீண்டும் மீண்டும் நடைபெறும் operational work-ஐ நேரடியாக கையாளும் AI systems-ஐ நோக்கி செல்கிறது.

இந்த கட்டுரை OpenAI-யின் செய்திக் குறிப்பை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.