Использование моделей OpenAI в Amplitude: автоматизация улучшений продукта с агентом Wave

Amplitude, компания, разрабатывающая платформу для продуктовой аналитики, представила проактивного продуктового агента под названием Wave. По оценкам компании, этот инструмент позволяет командам внедрять улучшения в свои продукты за 1–2 дня, тогда как ранее этот процесс занимал около месяца.

Агент Wave примерно на 80% опирается на возможности моделей OpenAI. В его основе лежат модели GPT-6.1 Sol, GPT-6 Luna и GPT-Image-2.5 Flare. Основная задача Wave — преобразовать аналитические данные, такие как записи сессий, отзывы клиентов и код, в конкретные планы по улучшению продукта.

Процесс работы Wave начинается с постановки задачи. Команды указывают область продукта, а также цели и метрики, которые необходимо улучшить. Агент анализирует данные, выявляет возможности, разрабатывает решения и координирует их реализацию. Когда план готов, он передается программирующим агентам, таким как Codex, вместе с техническим заданием и критериями приемки.

В ходе тестирования на собственной главной странице Amplitude, Wave предложил персонализировать карточки с подсказками, которые пользователи ранее часто игнорировали. В результате эксперимента, после одного дня тестирования, количество сообщений, отправленных через эти карточки, увеличилось на 160% по сравнению с контрольной группой.

Для оптимизации работы Wave, Amplitude использует различные модели OpenAI в зависимости от задачи. Для глубокого анализа кода и данных применяется GPT-6.1 Sol. Эта модель показала лучшие результаты в оценках Amplitude: 4.06 из 5 в испытаниях Opportunity Investigator и 67.5 из 100 в оценке Data Science Agent, при этом средняя стоимость модели составила $1.28 за вызов по сравнению с $2.63 у альтернативной модели.

Также по темеКак Holiday Extras ускорила разработку приложения с полугода до двух недель с помощью OpenAI Codex

Для часто повторяющихся и менее затратных задач, таких как сканирование кода, используется GPT-6 Luna, что позволяет снизить задержки и затраты. Генерация макетов продуктов на основе скриншотов осуществляется с помощью модели GPT-Image-2.5 Flare, которая набрала 80.3 из 100 баллов в оценке создания каркасов решений.

На данный момент Wave доступен в стадии бета-тестирования. Клиенты могут контролировать уровень автоматизации: отправлять исправления ошибок напрямую программирующим агентам или оставлять новые функции на проверку человеку. Среди экспериментов, запущенных клиентами, четверть была реализована в тот же день, когда Wave предложил возможность, половина — менее чем за четыре дня, и две трети — в течение недели.

Внедрение агента Wave демонстрирует, как интеграция больших языковых моделей (LLM) может ускорить процесс разработки и улучшения программных продуктов, перекладывая часть аналитической и рутинной работы на искусственный интеллект.