OpenAI 모델과의 Amplitude Wave 제품 에이전트 통합
Amplitude Wave 개요
Amplitude는 팀이 제품 개선 사항을 식별, 우선순위 지정, 구현할 수 있도록 돕는 사전 예방적 제품 에이전트인 Wave를 도입했습니다. Wave는 GPT-6.1 Sol, GPT-6 Luna, GPT-Image-2.5 Flare와 같은 일련의 OpenAI 모델을 활용하여 제품 데이터, 세션 재생, 고객 피드백을 분석합니다. 인사이트에서 구현으로의 전환을 자동화함으로써 Amplitude는 팀이 개선 사항을 출시하는 데 필요한 시간을 약 1개월에서 1~2일로 줄일 수 있다고 보고합니다.
모델 전문화 및 작업 할당
Amplitude는 작업의 특정 요구 사항에 따라 다양한 OpenAI 모델을 사용하여 추론 기능과 지연 시간 및 비용의 균형을 맞춥니다.
- GPT-6.1 Sol: 기회 조사자(Opportunity Investigator) 및 코드와 데이터에 대한 심층 조사와 같은 높은 추론 작업에 활용됩니다. 내부 평가에서 이 모델은 조사 기준에서 경쟁사를 능가했으며 우수한 도구 계약 준수 및 증거 근거를 입증했습니다.
- GPT-6 Luna: 코드 스캔 및 빈번한 소규모 평가 확인을 포함한 대량의 저비용 작업에 배포됩니다.
- GPT-Image-2.5 Flare: 세션 재생의 스크린샷을 시각적 참조로 사용하여 제품 목업과 와이어프레임을 생성하는 데 사용됩니다.
성능 및 구현
Wave는 제품 분석 및 세션 데이터를 집계하여 솔루션을 제안하고, 이를 기술 계획 및 승인 기준으로 변환합니다. 이러한 계획은 Codex와 같은 코딩 에이전트에 직접 전달되어 실행될 수 있습니다.
Amplitude는 자사 홈페이지에서 이 워크플로우의 효율성을 입증했습니다. Wave를 사용하여 사용자가 일반적인 추천 카드를 우회하고 있음을 식별한 팀은 최근 사용자 활동을 기반으로 개인화된 추천을 구현했습니다. 이 변경으로 카드 기반 메시지 전송이 160% 증가했습니다. 더 넓은 고객 사용 사례에서 Amplitude는 시작된 실험, 플래그 또는 가이드 3개 중 2개가 Wave가 기회를 표면화한 후 1주일 이내에 라이브로 전환된다고 보고합니다.
인간 참여 제어(Human-in-the-Loop)
Wave는 발견 및 계획 단계를 자동화하지만 Amplitude는 최종 구현에 대한 인간의 감독을 유지합니다. 팀은 특정 작업에 적용되는 자동화 수준을 제어할 수 있습니다. 일상적인 버그 수정은 코딩 에이전트에 직접 전송될 수 있지만, 중요한 새 기능과 전략적 업데이트는 일반적으로 배포 전에 인간 검토를 거칩니다. 이 접근 방식을 통해 조직은 에이전트 주도 발견의 속도와 제품에 중요한 변경 사항에 대한 인간의 판단 필요성 사이의 균형을 맞출 수 있습니다.