Noticias
La “Fábrica de Rendimiento” de OpenAI automatiza la optimización de ChatGPT
La “Fábrica de Rendimiento” de OpenAI utiliza Codex para automatizar las correcciones de rendimiento, gestionando 1.700 investigaciones en tres meses para mantener la eficiencia de ChatGPT.
En este artículo
OpenAI ha presentado su “Fábrica de Rendimiento”, un sistema autónomo diseñado para mantener la eficiencia de ChatGPT mediante la automatización de la detección y resolución de problemas de rendimiento. Utilizando Codex, el modelo de IA avanzado de OpenAI, el sistema ha simplificado significativamente el proceso de ingeniería de rendimiento, abordando los desafíos derivados del rápido ritmo del desarrollo de ChatGPT.
Automatización del proceso de ingeniería de rendimiento
La “Fábrica de Rendimiento” opera en la nube y automatiza todo el proceso de investigación y resolución de problemas de rendimiento. Los ingenieros definen flujos de trabajo para tareas recurrentes y proporcionan instrucciones a los agentes de Codex para que las ejecuten. Un componente clave del sistema es el “Flujo de Trabajo de Regresión”, que inicia una tarea cuando se activa una alerta de rendimiento. Los agentes de Codex luego investigan el problema, documentan los hallazgos, proponen soluciones y verifican la resolución una vez implementadas.
En solo tres meses, el “Flujo de Trabajo de Regresión” ha realizado más de 1.700 investigaciones, identificando las causas raíz de problemas en más de 600 casos.Esto se traduce como un promedio de 17 investigaciones automatizadas al día, lo que demuestra la eficiencia del sistema en el manejo de las alertas de rendimiento.
Evolución de la Performance Factory
El camino de OpenAI hacia la Performance Factory comenzó con investigaciones manuales, en las que los ingenieros dependían de herramientas como los analizadores de rendimiento de CPU y de asignación de recursos para diagnosticar problemas. Con la introducción de Codex, los ingenieros pudieron colaborar con el modelo de IA para analizar grandes bases de código, rastrear interacciones e identificar cuellos de botella en el rendimiento. Esta colaboración evolucionó hacia habilidades reutilizables, como la “perf-forensics”, que permitió a Codex diagnosticar problemas de manera autónoma basándose en procesos predefinidos.
Los avances posteriores incluyeron la automatización de las investigaciones en la nube y la integración de los flujos de trabajo en un sistema centralizado. La Performance Factory ahora sigue los trabajos, asigna agentes y asegura la continuidad entre los ingenieros y los agentes, lo que permite la automatización completa de los flujos de trabajo de ingeniería de rendimiento.
Componentes clave del sistema
La Performance Factory consta de cuatro componentes principales:
- Rastreador de tareas:Los ingenieros definen los flujos de trabajo utilizando archivos de configuración y sugerencias en Markdown, especificando los estados de las tareas, las transiciones y los pasos que requieren intervención humana.
- Bucle de envío:Este componente asigna tareas a los agentes cuando están listos para el siguiente paso.
- Ejecución en la nube:Codex opera en la nube, ejecuta las tareas y publica los resultados en tiempo real.
- Suscripciones:Los agentes reciben notificaciones de cambios, como comentarios de revisión en GitHub o implementaciones completadas, lo que asegura el progreso oportuno de las tareas.
El diseño modular del sistema permite una mejora continua y una escalabilidad mayor, lo que permite a OpenAI adaptarse a las crecientes demandas del desarrollo y despliegue de ChatGPT. Al automatizar la ingeniería del rendimiento, la “Performance Factory” no solo acelera la resolución de problemas técnicos, sino que también reduce la experticia y el tiempo necesarios para investigaciones complejas. Esta innovación sitúa a OpenAI en una posición ideal para mantener el rápido desarrollo de ChatGPT mientras conserva su eficiencia operativa. A medida que el sistema evoluciona, podría servir de modelo para otras organizaciones que busquen integrar flujos de trabajo autónomos en sus procesos de ingeniería del rendimiento.
TAG52@@Implicaciones y potencial futuroTAG54@@ Para iniciar sesión y guardar este artículo: Cuenta gratuita: cree su colección de investigación y vuelva a leerla en cualquier momento.
![[Miedo a la burbuja de IA] ¿Evitar la lluvia? ¿O comenzar a comprar en grandes cantidades?](https://cdn.blockmedia.co.kr/wp-content/uploads/2026/10/reuters-rc2dsnae5c8n-560x373.jpg)

