Written with AI assistance from the source video. The video is the authority.
Log in to leave a comment
No posts yet
अंधाधुंध तरीके से हर काम को ऑटोमेट करने की कोशिश न करें। ऐसे मामले सामने आए हैं जहाँ चिकित्सा संस्थानों ने बुकिंग और बिलिंग को एक साथ ऑटोमेट करने का प्रयास किया, जिससे पूरी प्रणाली ठप हो गई। ऑटोमेशन में लालच करने से परिणाम हमेशा खराब होते हैं। सबसे पहले, आपको यह पहचानना होगा कि आपके लिए अनावश्यक और दोहराव वाले कार्य कौन से हैं।
पिछले 2 हफ्तों के दौरान किए गए कार्यों में से कॉपी-पेस्ट और डेटा ट्रांसफ़र से जुड़े कामों को अलग लिखें। ऑटोमेशन के मूल्य की गणना करने के लिए निम्नलिखित फ़ॉर्मूला अपनाएं:
V_{ ext{auto}} = rac{F imes T}{C}
कार्य की आवृत्ति (F), बचत समय (T), और सेटअप की कठिनाई (C) का मान रखने से यह स्पष्ट हो जाएगा कि किस कार्य को सबसे पहले शुरू करना चाहिए। यदि आप केवल इन उच्च स्कोर वाले शीर्ष 3 कार्यों को चुनते हैं, तो भी आप प्रति सप्ताह 5 घंटे से अधिक का केंद्रित समय बचा सकते हैं। जैसा कि आंद्रे कार्पेथी ने जोर दिया है, उन संरचित डेटा कार्यों से शुरुआत करें जहाँ परिणामों को तुरंत सत्यापित किया जा सके। जो कार्य मानवीय निर्णय पर निर्भर करते हैं, उन्हें वैसे ही छोड़ देना बेहतर है।
ऑटोमेशन सिस्टम की सफलता अंततः अपवाद स्थितियों (exception scenarios) से तय होती है। आपको यह डिज़ाइन करना होगा कि डेटा त्रुटि या प्रमाणीकरण समाप्त होने पर एजेंट कैसे प्रतिक्रिया देगा।
कार्य करने वालों को निम्नलिखित तीन समाधानों को दस्तावेजीकरण (document) करना चाहिए। पहला, यदि API त्रुटि होती है, तो तुरंत फिर से प्रयास करने के बजाय 'एक्सपोनेंशियल बैकऑफ़' का उपयोग करें, जिससे प्रतीक्षा समय बढ़ जाता है। इसका फ़ॉर्मूला है। दूसरा, गलत प्रारूप वाले डेटा को 'मैनुअल एक्सेप्शन रजिस्टर' में अलग कर दें। तीसरा, यदि उपयोग की गई राशि 1 मिलियन वॉन से अधिक हो जाए, तो सिस्टम को खुद को रोक देने और व्यवस्थापक की स्वीकृति मांगने के लिए सेट करें। Make या n8n के एरर हैंडलर फ़ंक्शन का उपयोग करके इन सुरक्षा प्रणालियों को आसानी से बनाया जा सकता है।
यदि प्रत्येक विभाग में डेटा का प्रारूप अलग-अलग होगा, तो एजेंट काम नहीं कर पाएंगे। अप्रैल 2026 में आंद्रे कार्पेथी द्वारा प्रस्तावित 3-स्तरीय मेमोरी संरचना को कंपनी में लागू करें।
फ़ाइल के नाम को 'YYYY-MM-DD_कैटेगरी_विवरण' के रूप में एकसमान रखें और सभी अंग्रेजी अक्षरों को लोअरकेस में लिखें। फ़ोल्डर को सोर्स डेटा, एडिटिंग हब और परिणाम फ़ोल्डर में विभाजित करें। जटिल डेटाबेस की आवश्यकता नहीं है। सभी दस्तावेज़ों को मार्कडाउन (.md) फ़ाइलों के रूप में सहेजें। Amazon Science के शोध के अनुसार, एक अच्छी तरह से व्यवस्थित टेक्स्ट-आधारित सर्च मॉडल महंगे वेक्टर DB के प्रदर्शन का 94.5% कम लागत पर प्रदान करता है। केवल ऐसा करने से ही निर्णय लेने की गति 2 गुना बढ़ जाती है।
ऑटोमेशन पाइपलाइन तभी प्रभावी होती है जब उस पर विश्वास हो। 'Function Growth' टीम ने मानवीय कार्यों और एजेंट के कार्यों को 2 सप्ताह तक समानांतर चलाकर उत्पादकता में 30% की वृद्धि की।
सत्यापन सरल है। पहला, एक छोटा कार्य चुनें और उसे दिन में दर्जनों बार दोहराकर त्रुटियों को पकड़ें। दूसरा, 2 सप्ताह तक वास्तविक मानवीय कार्यों और एजेंट द्वारा बनाए गए परिणामों की तुलना करें। तीसरा, महीने में एक बार log.md फ़ाइल का विश्लेषण करें और रिकॉर्ड करें कि क्या गलत हुआ। यदि क्लाइंट स्लिप मैपिंग की सटीकता 95% से अधिक हो जाती है, तो आप उस ऑटोमेशन को सुरक्षित रूप से कार्यस्थल पर लागू कर सकते हैं।
