Operator क्या है?
Operator OpenAI का पहला AI एजेंट है, जिसे वेब पर स्वायत्त रूप से कार्य करने के लिए डिज़ाइन किया गया है। AI एजेंट वह प्रणाली होती है जो निर्देश ले सकती है, उन पर विचार कर सकती है, और बिना लगातार मानवीय निगरानी के कार्रवाइयाँ कर सकती है।
पारंपरिक ऑटोमेशन टूल्स, जो पूर्वनिर्धारित API या सख्त वर्कफ़्लो पर निर्भर होते हैं, के विपरीत, Operator सीधे वेबसाइटों से इंटरैक्ट करता है और क्लिक करना, टाइप करना, तथा स्क्रॉल करना जैसी मानवीय क्रियाओं की नकल करता है। इसका मुख्य उद्देश्य उन डिजिटल कार्यों को सरल बनाना है जिनके लिए अन्यथा मैनुअल प्रयास या तकनीकी विशेषज्ञता की आवश्यकता हो सकती है।
यह रोज़मर्रा की गतिविधियों—जैसे आरक्षण प्रबंधित करना या फ़ॉर्म भरना—के साथ-साथ अधिक जटिल, बहु-चरणीय वर्कफ़्लो के लिए भी उपयुक्त है। यहाँ Operator के उपयोग का एक उदाहरण है:
Operator वेबसाइटों पर नेविगेट करने के लिए एक वर्चुअल ब्राउज़र का उपयोग करता है। यह वर्चुअल परिवेश इसे ग्राफिकल यूजर इंटरफेस (GUI) के साथ वैसे ही इंटरैक्ट करने में सक्षम बनाता है जैसे कोई मानव उपयोगकर्ता करता है। वेबसाइटों में विशेष API की आवश्यकता के बजाय, Operator वेबपेज के दृश्य लेआउट की व्याख्या करता है, बटन क्लिक करता है, फ़ील्ड्स में टाइप करता है और सामग्री को स्क्रॉल करता है।
Operator उपयोगकर्ताओं की जरूरतों को समझने के लिए सामान्य-भाषा के निर्देशों पर निर्भर करता है। एक बार कार्य निर्धारित हो जाने पर, यह निर्देशों को प्रोसेस करता है, उन्हें क्रियान्वित करने योग्य चरणों में विभाजित करता है, और उपयोगकर्ता को फीडबैक देते हुए उन्हें निष्पादित करता है। Operator महत्वपूर्ण कार्रवाइयों—जैसे फ़ॉर्म जमा करना या भुगतान पूरा करना—के लिए स्पष्टीकरण या पुष्टि भी मांग सकता है, जिससे इसके आउटपुट पर अधिक नियंत्रण सुनिश्चित होता है।
Computer-Using Agent (CUA) क्या है?
Computer-Using Agent (CUA) वह मुख्य तकनीक है जो Operator को शक्ति देती है। GPT-4o की विज़न क्षमताओं को रीइन्फोर्समेंट लर्निंग के उन्नत तर्क के साथ संयोजित करते हुए, CUA को ग्राफिकल यूजर इंटरफेस—यानी स्क्रीन पर दिखने वाले बटन, मेन्यू और टेक्स्ट फ़ील्ड्स—से इंटरैक्ट करने के लिए प्रशिक्षित किया गया है।
परसेप्शन
CUA स्क्रीन के स्क्रीनशॉट से कच्चे पिक्सेल डेटा को प्रोसेस करके शुरू करता है। यह दृश्य जानकारी का उपयोग करके बटन, इनपुट फ़ील्ड्स और नेविगेशन मेन्यू जैसे प्रमुख इंटरफेस तत्वों की पहचान करता है।
रीज़निंग
दृश्य डेटा का विश्लेषण हो जाने के बाद, CUA अपनी कार्रवाइयों की योजना बनाने के लिए चेन-ऑफ़-थॉट रीज़निंग लागू करता है। वर्तमान और पिछले स्क्रीनशॉट्स को एकीकृत करके, यह अपने अवलोकनों का मूल्यांकन करता है, कार्यों को छोटे चरणों में विभाजित करता है, और चुनौतियों के अनुसार गतिशील रूप से अनुकूलित होता है। उदाहरण के लिए, यदि किसी कार्य के दौरान कोई पॉप-अप दिखाई दे (जैसे ऊपर दिए उदाहरण में विज्ञापन), तो CUA अपना दृष्टिकोण समायोजित कर आगे बढ़ने का तरीका खोज सकता है—ठीक वैसे ही जैसे कोई मानव उपयोगकर्ता करता है।
एक्शन
CUA क्लिक करना, टाइप करना, स्क्रॉल करना और फ़ॉर्म जमा करना जैसी कार्रवाइयों को करने के लिए वर्चुअल माउस और कीबोर्ड इनपुट का उपयोग करता है। यह क्षमता इसे ड्रॉपडाउन मेन्यू से आइटम चुनने से लेकर बहु-चरणीय फ़ॉर्म के माध्यम से नेविगेट करने तक, कार्यों को स्वायत्त रूप से निष्पादित करने में सक्षम बनाती है।
महत्वपूर्ण कार्रवाइयों—जैसे भुगतान करना या खातों में लॉग इन करना—के लिए, CUA आगे बढ़ने से पहले उपयोगकर्ता की पुष्टि मांगता है, जिससे संवेदनशील कार्यों पर उपयोगकर्ताओं का नियंत्रण बना रहे।
CUA बेंचमार्क्स
CUA ने कई बेंचमार्क्स पर अत्याधुनिक (SOTA) प्रदर्शन हासिल किया है:
| बेंचमार्क प्रकार | बेंचमार्क | कंप्यूटर उपयोग (यूनिवर्सल इंटरफेस) | वेब ब्राउज़िंग एजेंट्स | मानव | |
|---|---|---|---|---|---|
| OpenAI CUA | पिछला SOTA | पिछला SOTA | |||
| कंप्यूटर उपयोग | OSWorld | 38.1% | 22.0% | 72.4% | |
| ब्राउज़र उपयोग | WebArena | 58.1% | 36.2% | 57.1% | 78.2% |
| WebVoyager | 87.0% | 56.0% | 87.0% | ||
स्रोत: OpenAI
आइए इन तीनों बेंचमार्क्स में से प्रत्येक क्या मापता है, इसे समझें:
- OSWorld (38.1%): Ubuntu, Windows और macOS जैसे पूर्ण ऑपरेटिंग सिस्टम में कार्य करने की क्षमता का आकलन करता है। हालाँकि CUA पिछले मॉडलों से बेहतर प्रदर्शन करता है, इसकी सफलता दर अभी भी 72.4% के मानव बेंचमार्क से कम है।
- WebArena (58.1%): ई-कॉमर्स और सोशल प्लेटफ़ॉर्म सहित सिम्युलेटेड वेबसाइटों पर नेविगेट करने के प्रदर्शन का मूल्यांकन करता है। यह पूर्व मॉडलों से आगे निकलता है, लेकिन जटिल, बहु-चरणीय इंटरैक्शन को संभालने में सुधार की गुंजाइश है।
- WebVoyager (87%): Amazon, GitHub और Google Maps जैसी लाइव वेबसाइटों पर प्रभावशीलता को मापता है। यहाँ CUA मजबूत प्रदर्शन करता है, क्योंकि कार्य सामान्यतः WebArena की तुलना में अधिक सरल और संरचित होते हैं।
नीचे दिया गया ग्राफ OSWorld बेंचमार्क पर OpenAI के CUA की तुलना Claude 3.5 Sonnet से करता है। x-अक्ष कार्य पूर्ण करने के लिए अनुमत अधिकतम चरणों को दर्शाता है, जबकि y-अक्ष सफलता दर को प्रतिशत के रूप में दिखाता है। अधिक चरणों की अनुमति मिलने पर CUA निरंतर सुधार दर्शाता है और पिछले अत्याधुनिक मॉडलों से बेहतर प्रदर्शन करता है।
स्रोत: OpenAI
Operator तक कैसे पहुँचें
Operator वर्तमान में संयुक्त राज्य में ChatGPT के Pro उपयोगकर्ताओं के लिए रिसर्च प्रीव्यू के रूप में उपलब्ध है। इसे एक्सेस करने के लिए आपके पास सक्रिय Pro सब्सक्रिप्शन होना चाहिए। आप operator.chatgpt.com पर जाकर Operator का उपयोग शुरू कर सकते हैं।
फ़िलहाल, Operator Pro उपयोगकर्ताओं तक सीमित है, लेकिन OpenAI आने वाले महीनों में Plus उपयोगकर्ताओं तक पहुँच बढ़ाने की योजना बना रहा है। यह रोलआउट रणनीति OpenAI को व्यापक दर्शकों के लिए पेश करने से पहले फीडबैक एकत्र करने और सिस्टम में सुधार करने की अनुमति देती है।
जहाँ शुरुआती लॉन्च के दौरान Operator का ध्यान अमेरिकी उपयोगकर्ताओं पर है, वहीं OpenAI ने कहा है कि यूरोप और अन्य क्षेत्रों में उपलब्धता नियामकीय चुनौतियों के कारण अधिक समय लेगी। इन क्षेत्रों के उपयोगकर्ताओं को, OpenAI द्वारा इन जटिलताओं को सुलझाने के दौरान, भविष्य के अपडेट का इंतज़ार करना होगा।
आगे देखते हुए, OpenAI Operator के पीछे की अंतर्निहित तकनीक—जिसे CUA के नाम से जाना जाता है—को API के माध्यम से उपलब्ध कराने की भी योजना बना रहा है। इससे डेवलपर्स अपने कस्टम अनुप्रयोगों के लिए AI-संचालित एजेंट बना सकेंगे।
Operator के उपयोग के मामले
Operator के लिए दिए गए डेमो उदाहरण—जैसे टेबल बुक करना या ऑनलाइन शॉपिंग—कारगर हैं, लेकिन हमें वे विशेष रूप से व्यावहारिक नहीं लगते। अक्सर इन कार्यों को मैन्युअल रूप से करना तेज़ और आसान होता है, बजाय इसके कि आप AI के निष्पादन की निगरानी में समय लगाएँ।
हालाँकि, जब आप इन उपयोग मामलों से आगे सोचते हैं—सुलभता या संस्थागत सहायता पर ध्यान केंद्रित करते हुए—तो Operator की संभावनाएँ स्पष्ट होती हैं।
सुलभता
Operator के चमकने के सबसे प्रभावशाली क्षेत्रों में से एक सुलभता है। सीमित कंप्यूटर कौशल वाले व्यक्तियों—जैसे बुजुर्ग या तकनीक में नए लोग—के लिए, Operator एक मार्गदर्शक की तरह काम कर सकता है, जो उन्हें बिना पूर्व विशेषज्ञता के जटिल ऑनलाइन कार्यों में नेविगेट करने में मदद करता है।
सोचिए यदि इसे वॉइस कमांड के साथ जोड़ा जाए—तो उपयोगकर्ताओं को प्रॉम्प्ट टाइप करने की भी आवश्यकता नहीं होगी, जिससे यह टूल और भी सहज हो जाएगा।
इसी तरह, विकलांग व्यक्तियों—जैसे दृष्टिबाधित—के लिए, Operator ऐसी वेबसाइटों के साथ इंटरैक्ट करने में मदद कर सकता है जो अन्यथा सुलभ नहीं होतीं, खासकर यदि इसे ऑडियो फीडबैक या स्क्रीन-रीडर समर्थन के साथ जोड़ा जाए।
संस्थागत सहायता
सरकार और संस्थागत सेटिंग्स में Operator की मजबूत संभावनाएँ हैं। यह नागरिकों को वीज़ा के लिए आवेदन करने, टैक्स फाइल करने, या सामाजिक लाभों तक पहुँचने जैसे कार्यों के लिए जटिल फ़ॉर्म भरने में सहायता कर सकता है। इससे व्यक्तिगत सहायता पर निर्भरता घटेगी और उपयोगकर्ताओं तथा संस्थानों—दोनों—के लिए प्रक्रियाएँ बेहतर होंगी।
शिक्षा में, Operator ऑनलाइन आवेदन प्रणाली, छात्रवृत्ति प्रस्तुतियाँ और शोध कार्यों को सरल बना सकता है, जिससे छात्रों या सीमित डिजिटल साक्षरता वाले लोग इन प्रक्रियाओं को अधिक प्रभावी ढंग से नेविगेट कर सकें।
लघु व्यवसाय और पेशेवर कार्य
कार्यस्थल में, Operator लघु व्यवसायों के लिए किफायती साबित हो सकता है—इन्वेंटरी प्रबंधन, ऑनलाइन ऑर्डर प्रोसेसिंग, या ग्राहक फीडबैक एकत्र करने जैसे दोहराए जाने वाले वेब-आधारित कार्यों को स्वचालित करके। पेशेवरों के लिए, यह थकाऊ वर्कफ़्लो—जैसे कई स्रोतों से जानकारी इकट्ठा करना या फ़ॉर्म भरना—संभाल सकता है, जिससे अधिक रणनीतिक कार्यों के लिए समय मुक्त हो सके।
हेल्थकेयर और गैर-लाभकारी संस्थाएँ
हेल्थकेयर और गैर-लाभकारी क्षेत्र Operator से उल्लेखनीय लाभ उठा सकते हैं। क्लिनिक इसका उपयोग मरीजों को ऑनलाइन पंजीकरण फ़ॉर्म पूरे करने या संसाधनों तक पहुँचने में मदद करने के लिए कर सकते हैं, बिना व्यापक स्टाफ़ भागीदारी के।
कम डिजिटल साक्षरता वाले क्षेत्रों में काम करने वाली गैर-लाभकारी संस्थाएँ Operator को तैनात कर सकती हैं ताकि वंचित आबादी को आवश्यक ऑनलाइन प्रणालियों में नेविगेट करने में मदद मिल सके, यह सुनिश्चित करते हुए कि तकनीकी बाधाएँ आवश्यक सेवाओं तक पहुँच को सीमित न करें।
AI एजेंट्स की प्रतिस्पर्धा
OpenAI का Operator, Anthropic की कंप्यूटर-यूज़ क्षमताओं और Google के Project Mariner के साथ AI एजेंट्स के क्षेत्र में प्रवेश करता है।
Anthropic का कंप्यूटर यूज़
Anthropic का कंप्यूटर यूज़, इसके Claude 3.5 Sonnet मॉडल द्वारा संचालित, AI को क्लिक करना, टाइप करना और नेविगेट करना जैसी मानवीय क्रियाओं का सिमुलेशन करके डेस्कटॉप परिवेशों से इंटरैक्ट करने देता है। वर्तमान में, इस फ़ीचर को प्रभावी ढंग से सेटअप और उपयोग करने के लिए API के माध्यम से कुछ तकनीकी ज्ञान की आवश्यकता होती है, जिससे गैर-तकनीकी उपयोगकर्ताओं के लिए इसकी सुलभता सीमित हो जाती है।
इसके विपरीत, Operator का साधारण-भाषा इंटरफ़ेस प्रोग्रामिंग ज्ञान की आवश्यकता समाप्त करता है, जिससे यह व्यापक दर्शकों के लिए अधिक उपयोगकर्ता-अनुकूल हो जाता है। हालाँकि, Anthropic लगभग निश्चित रूप से अपने टूल्स को सरल बनाने की दिशा में काम करेगा ताकि Operator के सुलभ डिज़ाइन से सीधे प्रतिस्पर्धा कर सके।
Google का Project Mariner
Project Mariner, Google के DeepMind द्वारा विकसित, एक प्रायोगिक एजेंट है जिसे स्वायत्त रूप से वेब पेजों पर नेविगेट करने और इंटरैक्ट करने के लिए डिज़ाइन किया गया है। अभी शोध चरण में होते हुए भी, Mariner को उपयोगकर्ताओं के एक छोटे समूह के साथ परखा जा रहा है, और Google इकोसिस्टम में इसका एकीकरण यह सुझाव देता है कि यह Gmail, Google Docs, और अन्य Google सेवाओं से जुड़े वर्कफ़्लो में उत्कृष्ट प्रदर्शन कर सकता है।
निष्कर्ष
Operator, AI एजेंट्स के प्रतिस्पर्धी क्षेत्र में OpenAI का पहला कदम है, जो अपने साधारण-भाषा इंटरफ़ेस और सार्वभौमिक ब्राउज़र-आधारित डिज़ाइन के साथ एक अनोखा दृष्टिकोण प्रस्तुत करता है। जहाँ Anthropic का कंप्यूटर यूज़ और Google का Project Mariner अपनी-अपनी खूबियाँ लाते हैं, वहीं फिलहाल Operator का सुलभता पर ध्यान इसे अलग खड़ा करता है।
हमें यह भी जिज्ञासा है कि DeepSeek या Meta जैसे अन्य खिलाड़ी इस प्रतिस्पर्धा में शामिल होंगे या नहीं। 2025 वाकई अपने हाइप पर खरा उतर सकता है और एजेंटिक AI का साल बन सकता है।
FAQs
क्या OpenAI Operator एक ही समय में एक से अधिक कार्य संभाल सकता है?
हाँ, Operator को एक ही समय में एक से अधिक कार्य प्रबंधित करने के लिए डिज़ाइन किया गया है। आप प्रत्येक कार्य के लिए अलग-अलग बातचीत कर सकते हैं, और Operator समानांतर में निष्पादित करता है। उदाहरण के लिए, आप Operator से Instacart पर किराना ऑर्डर करवाते हुए साथ ही Booking.com पर बुकिंग भी करा सकते हैं।
क्या OpenAI Operator एक AI एजेंट है?
हाँ, OpenAI Operator एक AI एजेंट है जिसे आपके लिए स्वायत्त रूप से कार्य करने के लिए डिज़ाइन किया गया है। यह वेबसाइटों पर नेविगेट करके, क्लिक करके और फ़ॉर्म भरकर इंटरैक्ट करता है, जिससे आप गतिविधियों को ऑटोमेट कर सकते हैं। हमारे ब्लॉग पोस्ट से AI एजेंट्स के बारे में और जानें: AI एजेंट्स को समझना: स्वायत्त प्रणालियों का भविष्य।
Operator कैसे काम करता है?
Computer-Using Agent (CUA) मॉडल द्वारा संचालित, Operator स्क्रीनशॉट्स देखकर और माउस व कीबोर्ड कार्रवाइयाँ करके वेब पेजों से इंटरैक्ट करता है। आवश्यकता पड़ने पर यह स्वयं सुधार कर सकता है या उपयोगकर्ता की मदद मांग सकता है।
अभी कौन Operator का उपयोग कर सकता है, और वे कैसे शुरू करें?
Operator फिलहाल अमेरिका में Pro उपयोगकर्ताओं के लिए उपलब्ध है। यदि आपके पास Pro सब्सक्रिप्शन है, तो आप operator.chatgpt.com पर जाकर शुरू कर सकते हैं। कोई कार्य वर्णित कर के देखिए, Operator उसे संभाल लेगा।
Operator की वर्तमान सीमाएँ क्या हैं?
क्योंकि Operator अभी रिसर्च प्रीव्यू में है, यह स्लाइडशो बनाना या कैलेंडर प्रबंधन जैसे जटिल कार्यों में संघर्ष कर सकता है।
क्या Operator मोबाइल डिवाइस पर उपलब्ध होगा?
Operator के लिए मोबाइल समर्थन के बारे में अभी कोई पुष्टि नहीं है, लेकिन वेब इंटरफेस के साथ इंटरैक्ट करने की इसकी क्षमता भविष्य में तकनीक के विकास के साथ इसे मोबाइल प्लेटफ़ॉर्म पर अनुकूलनीय बना सकती है।
Siri या Google Assistant जैसे वॉइस असिस्टेंट्स की तुलना में Operator कैसा है?
Operator वेब-आधारित कार्यों और सीधे वेबसाइटों के साथ इंटरैक्ट करने पर केंद्रित है, जबकि पारंपरिक वॉइस असिस्टेंट आमतौर पर पूर्वनिर्धारित ऐप इंटीग्रेशन या API पर निर्भर होते हैं। क्लिक और स्क्रॉल जैसी मानवीय क्रियाओं की नकल करने की Operator की क्षमता, जटिल ऑनलाइन कार्यों के लिए बहुमुखी प्रतिभा के लिहाज से इसे अलग बनाती है।
क्या Operator CAPTCHA या उन्नत सुरक्षा फीचर्स वाली वेबसाइटों को संभाल सकता है?
CAPTCHA या उन्नत सुरक्षा सुविधाओं वाले कार्यों के लिए Operator वर्तमान में उपयोगकर्ता इनपुट पर निर्भर करता है। यह इन प्रणालियों को स्वतः बायपास नहीं करता, लेकिन एक बार ऐसी बाधाएँ हल हो जाने पर वर्कफ़्लो को नेविगेट कर सकता है।
मैं एक संपादक और लेखक हूँ जो AI ब्लॉग, ट्यूटोरियल, और समाचार कवर करता/करती हूँ, यह सुनिश्चित करते हुए कि सब कुछ ठोस कंटेंट रणनीति और SEO के सर्वोत्तम तरीकों के अनुरूप हो। मैंने Python, सांख्यिकी, प्रायिकता, और डेटा विज़ुअलाइज़ेशन पर डेटा साइंस पाठ्यक्रम लिखे हैं। मेरा एक पुरस्कृत उपन्यास भी प्रकाशित हो चुका है, और खाली समय में मैं पटकथा लेखन और फ़िल्म निर्देशन में समय बिताता/बिताती हूँ।
लेखक
Josef Waples
मैं एक डेटा साइंस संपादक हूँ और वैज्ञानिक पत्रिकाओं में प्रकाशित शोध लेखों में योगदान दे चुका/चुकी हूँ। मुझे विशेष रूप से रैखिक बीजगणित, सांख्यिकी, R, और इसी तरह के विषयों में रुचि है।
OpenAI ने हाल ही में Operator नामक AI एजेंट की घोषणा की है, जिसे वेब-आधारित कार्य अपने आप संभालने के लिए डिज़ाइन किया गया है। यह टेबल बुक करने या ऑनलाइन शॉपिंग जैसे काम कर सकता है, जिससे रोज़मर्रा के डिजिटल इंटरैक्शन सरल हो जाते हैं।
हालाँकि, हमारा मानना है कि इसकी क्षमता सुविधा से आगे जाती है—यह उन लोगों को सशक्त बना सकता है जिनमें कंप्यूटर कौशल की कमी है, ताकि वे फ़ॉर्म भरने या जटिल वेबसाइटों पर नेविगेट करने जैसे कार्य आसानी से कर सकें।
इसके अलावा, वॉइस कमांड के और एकीकरण के साथ, यह विकलांग व्यक्तियों—जैसे दृष्टिबाधित लोगों—के लिए अधिक सुलभ समाधान प्रदान कर सकता है।
Operator एक प्रतिस्पर्धी क्षेत्र में प्रवेश करता है जिसमें Anthropic की कंप्यूटर-यूज़ क्षमताएँ और Google का Project Mariner शामिल हैं। एक अंतर यह है कि Anthropic के टूल्स (फिलहाल) प्रोग्रामिंग ज्ञान की मांग करते हैं, जबकि Operator उपयोगकर्ताओं को सामान्य भाषा में निर्देश देने की अनुमति देता है, जिससे यह अधिक सुलभ हो जाता है।
इस ब्लॉग में, हम बताएँगे कि Operator क्या है, इसकी कोर तकनीक (CUA) का अन्वेषण करेंगे, इसके उपयोग के मामले और सीमाएँ बताएँगे, और चर्चा करेंगे कि AI एजेंट्स के व्यापक संदर्भ में यह कहाँ फिट बैठता है। हमने एक मिनट का यह वीडियो भी त्वरित अवलोकन के लिए बनाया है: