OpenAI گردش‌کارهای مالی را در ChatGPT Work for Financial Services و برنامهٔ دسکتاپ Codex نمایش داد. این جلسه نشان داد که تیم‌ها چگونه می‌توانند به‌جای ساخت برنامه‌ای جداگانه، گردش‌کارها را با مهارت‌ها و افزونه‌ها سفارشی کنند.
تیم مهندسی هوش مصنوعی کاربردی OpenAI یک گردش‌کار مدیریت ثروت را در محیط کاری سازمانی نمایش داد. این گردش‌کار از تغییر در سبد دارایی شروع شد، به تحلیل سهم عوامل در سود و زیان رسید و با تهیهٔ ارائه‌ای برای توضیح تغییرات به مشتری پایان یافت.
ChatGPT Work for Financial Services داده‌های طرف ثالث، مدل‌های تنظیم‌شده برای کارهای مالی و ابزارهایی را ترکیب می‌کند که پیش‌نویس ارائه‌ها و صفحه‌گسترده‌ها را بر اساس الگوها می‌سازند. مهارت‌های قابل استفادهٔ مجدد، انجام کارهای مشخص را هدایت می‌کنند و افزونه‌ها این مهارت‌ها را با اتصال‌دهنده‌های MCP بسته‌بندی می‌کنند تا مدل بتواند به داده‌ها دسترسی داشته باشد و در سامانه‌های بیرونی اقدام کند.
برای تیم‌هایی که ابزارهای داخلی هوش مصنوعی می‌سازند، این جلسه انتخابی را مطرح کرد: نگهداری یک برنامهٔ اختصاصی مبتنی بر API یا گسترش رابط‌های ChatGPT و Codex. همچنین چالشی کمتر آشکار را برجسته کرد: رساندن سریع گزارش‌های مالی تازه، همراه با اطلاعات زمینه‌ای قابل استفاده برای مدل.
این نمایش، قابلیت اتکا در محیط عملیاتی و هزینه‌های اجرا را ثابت نمی‌کند؛ پس برای اثبات توجیه تجاری کافی نیست.
تیم‌های سازندهٔ ابزارهای مالی داخلی، پیش از تعهد به ساخت برنامه‌ای جداگانه، مسیر اجرایی دیگری برای ارزیابی دارند.
داده‌های تازه و اطلاعات زمینه‌ای قابل استفاده همچنان از الزامات مهندسی‌اند، حتی وقتی گردش‌کار درون یک رابط موجود هوش مصنوعی اجرا می‌شود.
این نوشته را اتاق خبر Made in 10 به‌طور خودکار از روی منبع بالا نوشته است.
آزمایش‌های Cohere نشان داد یک عامل راهبر قدرتمند هوش مصنوعی در کنار عامل‌های برنامه‌ریز ارزان‌تر می‌تواند عملکردی هم‌سطح یک گروه گران‌تر داشته باشد. استفاده از برنامه‌ریزهای Luna زیر نظر راهبر Sol، هزینه‌ها را در مقایسه با گروهی متشکل از عامل‌های Sol، بدون افت عملکرد ۶۰٪ کاهش داد؛ اما نتایج بسته به نوع کار متفاوت بود.
Physicl برای تولید داده‌های آموزشی هوش مصنوعی فیزیکی، ده میلیون دلار سرمایهٔ بذری جذب کرده است. پلتفرم این شرکت موقعیت‌های دشوار را به‌صورت سه‌بعدی بازسازی می‌کند تا توسعه‌دهندگان بتوانند نقاط ضعف مدل‌هایشان را هدف بگیرند.
Sakana AI با سیستم AI Scientist-v2 تولید فرضیه، اجرای آزمایش و نوشتن مقالهٔ علمی را خودکار کرده است. از سه مقالهٔ آزمایشی، فقط یکی امتیاز لازم برای پذیرش در یک کارگاه علمی را گرفت؛ همان مقاله نیز پیش از بررسی نهایی پس گرفته شد.