Frontier Model நுண்ணறிவைக் கொண்டு Superhuman தனது AI Auto-Draft அம்சத்தைப் புதுப்பிக்கிறது

பாரம்பரிய AI பதில்களின் "ரோபோடிக்" உணர்வைக் குறைக்கும் வகையில், Superhuman தனது auto-draft அம்சத்தின் மேம்பட்ட பதிப்பை அறிமுகப்படுத்துவதன் மூலம் மின்னஞ்சல் உற்பத்தித்திறன் ஒரு புதிய யுகத்திற்குள் நுழைகிறது. வெறும் டெம்ப்ளேட்களைத் தாண்டி, இந்த புதிய அமைப்பு பயனரின் குறிப்பிட்ட தொனி (tone) மற்றும் உரையாடல் வரலாற்றைப் பிரதிபலிக்கும் வகையில் பதில்களை உருவாக்க உயர்-காரணத் திறன் கொண்ட (high-reasoning) மாடல்களைப் பயன்படுத்துகிறது.

GPT-3.5-லிருந்து Frontier Models நோக்கி நகர்தல்

Superhuman-ன் புதிய அணுகுமுறையின் முதன்மையான வேறுபாடு அதன் அடிப்படையான கட்டமைப்பில்தான் (architecture) உள்ளது. இதற்கு முன்பு, "Instant Replies" போன்ற அம்சங்கள் GPT-3.5 போன்ற பழைய பதிவுகளைச் சார்ந்திருந்தன; இவை சிறிய context windows மற்றும் அதிகப்படியான உற்சாகமான, "விற்பனைத் தொனி" (salesy) கொண்ட உரைநடை போன்ற குறைபாடுகளைக் கொண்டிருந்தன.

இதனைத் தீர்க்க, தளம் இப்போது பல்வேறு மாடல்களின் நுணுக்கமான கலவையைப் பயன்படுத்துவதாக Superhuman இணை நிறுவனர் Rahul Vohra வெளிப்படுத்தியுள்ளார். முக்கிய எழுத்துப் பணிகளை Anthropic மற்றும் OpenAI ஆகிய இரண்டின் frontier models கையாளுவதால், தற்போதைய LLM சூழலில் கிடைக்கக்கூடிய மிக உயர்ந்த அளவிலான நுண்ணறிவு மற்றும் சூழல் விழிப்புணர்வு (contextual awareness) உறுதி செய்யப்படுகிறது. இந்த பல-மாடல் (multi-model) உத்தி, சிக்கலான நுணுக்கங்களைச் செயலாக்க இந்த செயலியை அனுமதிக்கிறது, இதன் மூலம் வரைவுகள் (drafts) செயற்கையாகத் தோன்றாமல் உண்மையானதாகத் தோன்றுகின்றன.

தனிப்பயனாக்கப்பட்ட சூழல் மற்றும் தகவமைப்பு கற்றல் (Adaptive Learning)

Superhuman-ன் புதிய அம்சம் அடுத்த வார்த்தையைத் கணிப்பதோடு மட்டும் நின்றுவிடாமல், பயனரின் தொழில்முறை எல்லைகள் மற்றும் தனித்துவமான குரலைப் புரிந்துகொள்கிறது. பயனர்கள் Settings > Personalization பகுதிக்குச் சென்று கோப்புகள், இணைப்புகள் மற்றும் அவர்களின் பணி குறித்த குறிப்பிட்ட விவரங்களைப் பதிவேற்றுவதன் மூலம், AI வழங்கும் முடிவுகளை மேலும் செம்மைப்படுத்தலாம்.

இந்த அமைப்பு தகவமைப்பு கற்றலை (adaptive learning) enabling செய்யும் ஒரு feedback loop அம்சத்தையும் கொண்டுள்ளது. உதாரணமாக, ஒரு பயனர் வசதியற்ற நேரத்தில் (நள்ளிரவு போன்ற) கூட்டத்திற்குப் பரிந்துரைக்கும் ஒரு வரைவை (draft) கைமுறையாகத் திருத்தினால், அந்தத் தொடர்பிலிருந்து மாடல் கற்றுக்கொள்கிறது. அதே போன்ற நேரக் காலங்களுக்கான அடுத்தடுத்த கோரிக்கைகள், கூட்டத்தை முன்கூட்டியே மறுக்கும் வரைவுகளை உருவாக்கும்; இது மின்னஞ்சல் உதவியாளர்களில் இதற்கு முன் காணப்படாத ஒரு சூழல் விழிப்புணர்வை (situational awareness) வெளிப்படுத்துகிறது.

நிஜ உலகச் செயல்பாடு மற்றும் Superhuman Go-வின் எதிர்காலம்

இந்தத் தொழில்நுட்ப மேம்பாடுகளின் தாக்கம் பீட்டா சோதனையில் (beta testing) ஏற்கனவே காணப்படுகிறது. Rahul Vohra-வின் கூற்றுப்படி, தானாக உருவாக்கப்பட்ட வரைவுகளில் 40% பெறப்பட்ட ஒரு நாளுக்குள் அனுப்பப்படுகின்றன, மேலும் குறிப்பிடத்தக்க வகையில், அந்த வரைவுகளில் 60% எந்தவித கைமுறைத் திருத்தமும் இன்றி அனுப்பப்படுகின்றன. இந்த அளவீடு, AI எழுத்துப் கருவிகளில் பொதுவாகத் தடையாக இருக்கும் "human-in-the-loop" உராய்வைக் கணிசமாகக் குறைப்பதைக் காட்டுகிறது.

இந்த அம்சம் இன்னும் முழுமையான தன்னாட்சி முகவராக (autonomous agent) மாறவில்லை என்றாலும்—பயனர்கள் இன்னும் கால அட்டவணை அல்லது தொனியில் உள்ள பிழைகளைச் சரிபார்க்க வேண்டியுள்ளது—இது அதிக வேலைப்பளு கொண்ட தொழில்முறை வல்லுநர்களுக்கு ஒரு சக்திவாய்ந்த பாலமாகச் செயல்படுகிறது. Grammarly, Superhuman-ஐக் கையகப்படுத்தியதைத் தொடர்ந்து மேற்கொள்ளப்படும் விரிவான திட்டத்தின் ஒரு பகுதியாக இந்த வளர்ச்சி அமைந்துள்ளது. நிறுவனம் இப்போது "Superhuman Go" நோக்கி நகர்ந்து வருகிறது; இது பல்வேறு தளங்கள் மற்றும் பயன்பாடுகளுக்கு இடையே சூழலை (context) கொண்டு செல்லும் வகையில் வடிவமைக்கப்பட்ட ஒரு லட்சிய உதவியாளர் ஆகும், இது மின்னஞ்சல் கிளையன்ட்டை ஒரு cross-platform உற்பத்தித் திறன் நுண்ணறிவு அடுக்காக (productivity intelligence layer) மாற்றுகிறது.

முக்கியக் குறிப்புகள்

• Frontier Model ஒருங்கிணைப்பு: தொனி மற்றும் சூழலை மேம்படுத்த Superhuman, GPT-3.5-லிருந்து OpenAI மற்றும் Anthropic ஆகியவற்றின் உயர்தர மாடல்களின் கலவைக்கு மாறியுள்ளது.
• அதிக செயல்திறன் அளவீடுகள்: AI மூலம் உருவாக்கப்பட்ட வரைவுகளில் 60% எந்தவித கைமுறைத் திருத்தமும் இன்றி அனுப்பப்படுவதாக பீட்டா சோதனை காட்டுகிறது, இது புதிய இன்ஜினின் அதிகரித்த துல்லியத்தை நிரூபிக்கிறது.
• தகவமைப்பு தனிப்பயனாக்கம் (Adaptive Personalization): இந்த அமைப்பு பயனர் விருப்பங்களைக் கற்றுக்கொள்ள ஒரு feedback loop-ஐப் பயன்படுத்துகிறது மற்றும் தனிப்பயனாக்கப்பட்ட பயனர் அமைப்புகள் மூலம் ஆழமான சூழலைச் சேர்க்க அனுமதிக்கிறது.