Transcription
Bom dia. Temos algo espetacular para vocês hoje. Vamos lançar o agente ChatGBT. Mas antes de mergulharmos nisso, gostaria de pedir à equipe que se apresente. Começando com o Yash. Olá, sou Yash. Trabalho na equipe de agentes e antes disso trabalhava no operador. Olá, sou Jing. Trabalho em pesquisa de agentes, anteriormente em pesquisa profunda. Olá, sou Casey. Sou pesquisadora de agentes, anteriormente operadora. Olá, sou Issa. Sou pesquisadora de agentes, anteriormente em pesquisa profunda.
Então, começamos a lançar agentes no início deste ano. Lançamos a pesquisa profunda, lançamos o operador e as pessoas ficaram muito entusiasmadas com isso. As pessoas podiam ver que agora a IA estava a caminho de realizar tarefas complexas para elas. Mas ficou claro para nós que o que as pessoas realmente queriam era que uníssemos essas capacidades e mais. As pessoas queriam um agente unificado que pudesse ir, usar seu próprio computador e realizar tarefas complexas reais para elas, que pudesse fazer uma transição perfeita de pensar em algo para tomar ações, para usar muitas ferramentas usando o terminal, clicando na web, até mesmo produzindo coisas como planilhas e slides e muito mais. E as pessoas queriam poder fazer isso num horizonte de tempo longo e para uma espécie de tarefas universais. Então, a equipe tem trabalhado muito duro para juntar tudo isso. E hoje temos o chat com o agente. Hum, provavelmente é mais fácil mostrar a vocês do que continuar a falar sobre isso. É um dos momentos de "a-ha" para mim ver isso funcionar. Então, vamos dar uma olhada. Incrível. Obrigado, Sam. Olá a todos. Muito animado para compartilhar o agente Chat GBD com todos. E como Sam disse, vamos direto para a demonstração.
Ok, então estamos no Chat GBD, como todos conhecemos e amamos. E para ativar o modo agente, basta clicar no menu de ferramentas e selecionar "agente". Você também pode simplesmente digitar "agente" na barra de composição e ele o levará ao modo agente. Hum, Edward e eu temos um casamento para ir ainda este ano. É para um dos nossos amigos em comum. Devemos pedir para o agente planejar? Sim, vamos fazer isso. Preciso de uma roupa. E não se esqueça do presente. Ok, ótimo. Não vamos esquecer o presente. Hum, é um prompt um pouco mais longo, então eu o tenho copiado no meu buffer, então vou apenas colá-lo. Hum, ok. Então, vamos ver. Vamos ver o que ele diz. Nossos amigos vão se casar ainda este ano, como eu disse, Minia e Sarah. E queremos que o agente nos ajude a encontrar uma roupa que combine com o código de vestimenta, propor algumas opções. De bom luxo médio, levando em conta o local e o clima. Também queremos que nos encontre alguns hotéis e, como Edward disse, não se esqueça do presente. Hum, então vamos ver e enviar o prompt.
Como Sam disse, o agente usa um computador. Então, no início, ele configura seu ambiente. Ele, você sabe, levará um minuto ou dois, ou na verdade 5 segundos para configurar seu ambiente. E neste caso, como você vê, ele entende o prompt. Está me pedindo uma clarificação. Vou apenas deixá-lo continuar e trabalhar. De qualquer forma, hum, acho que ele ficou confuso ao dizer: "Ah, onde está o, hum, qual é exatamente a hora da data do casamento?" Acho que ele vai descobrir usando o site. Ok, legal. Então, agora ele começou. Está iniciando o processo, o prompt, e abriu um navegador. E para guiá-los pelo que está acontecendo, aqui está. Sim. Então, como mencionado, demos ao agente acesso ao seu próprio computador virtual, e o computador tem muitas ferramentas diferentes instaladas, e ele pode escolher qual usar enquanto trabalha na tarefa. Então, no Chat GPT, você pode ver uma visualização da tela do computador do agente, e pode ver sobreposta sua cadeia de pensamento em texto, e é isso que ele está pensando enquanto trabalha na tarefa e decide o que fazer a seguir. Demos ao agente acesso a duas maneiras diferentes de navegar na internet. Primeiro, demos a ele um navegador de texto, e isso é semelhante à ferramenta de pesquisa profunda. E é isso que o permite ler de forma realmente eficiente e rápida muitas páginas da web e pesquisar por elas. E também demos a ele acesso a um navegador visual. E isso é semelhante à ferramenta de operador. E é isso que o permite realmente interagir com a interface de usuário de uma página da web. Então ele pode arrastar coisas. Ele pode usar o cursor para clicar. Ele pode abrir componentes da interface de usuário. Ele pode preencher formulários e inserir texto em áreas de texto. É muito flexível. Então essas duas ferramentas são muito complementares. E então também demos a ele acesso ao seu próprio terminal para que ele possa executar código e também gerar e analisar arquivos como apresentações de slides e planilhas. E então, através do terminal, ele também é capaz de chamar APIs. Então, tanto APIs públicas quanto APIs para acessar suas fontes de dados privadas como Google Drive, Google Calendar, GitHub, SharePoint e muitos outros, e somente se você os conectar explicitamente, semelhante aos conectores de pesquisa profunda. E então ele também tem acesso à API de geração de imagens para que possa criar visuais agradáveis para apresentações de slides e outras coisas enquanto trabalha em suas tarefas.
Como ele decide quais ferramentas usar aqui? Sim, treinamos o modelo para se mover entre essas capacidades com aprendizado por reforço. Este é o primeiro modelo que treinamos que tem acesso a esta caixa de ferramentas unificada. Um navegador de texto, um navegador GUI e um terminal, tudo em uma máquina virtual. Para guiar seu aprendizado, criamos tarefas difíceis que exigem o uso de todas essas ferramentas. Isso permite que o modelo não apenas aprenda a usar essas ferramentas, mas também quando usar qual ferramenta, dependendo da tarefa em questão. No início do treinamento, o modelo pode tentar usar todas essas ferramentas para resolver um problema relativamente simples. Com o tempo, à medida que recompensamos o modelo por resolver problemas de forma correta e eficiente, o modelo terá uma escolha de ferramentas mais inteligente. Por exemplo, se você pedir a um modelo para encontrar um restaurante com requisitos específicos e fazer uma reserva, o modelo pode tipicamente iniciar uma pesquisa profunda no navegador de texto para encontrar alguns candidatos, depois mudar para o navegador GUI para ver fotos de comida, verificar a disponibilidade e completar a reserva. Da mesma forma, para uma tarefa criativa como a criação de um artefato, o modelo primeiro pesquisará online por recursos públicos, depois mudará para o terminal para fazer alguma edição de código para compilar o artefato e, finalmente, verificar as saídas finais no navegador GUI. Com isso, realmente sentimos que unimos o melhor da pesquisa profunda e do operador e adicionamos um brilho extra.
Isso mesmo. Sim. Então, para colocar este projeto em contexto, quero dar um pouco de história. Então, há alguns meses, lançamos o operador em janeiro e este era o nosso agente que permite realizar tarefas online como reservar e-mails e enviar e-mails, e duas semanas depois lançamos a pesquisa profunda, e a pesquisa profunda é uma ferramenta que permite fazer pesquisa aprofundada na internet e produzir relatórios de pesquisa de alta qualidade. E após o lançamento, percebemos que, na verdade, essas duas abordagens são profundamente complementares. Por exemplo, o operador tem alguma dificuldade em ler artigos super longos. Ele tem que rolar. Leva muito tempo. Mas isso é algo em que a pesquisa profunda é boa. Por outro lado, o operador, a pesquisa profunda não é tão boa em interagir com elementos interativos de páginas da web, páginas da web altamente visuais, mas isso é algo em que o operador se destaca. Então, sim, sentimos que essas abordagens eram complementares e então também estávamos analisando alguns feedbacks de clientes. Por exemplo, uma de nossas funcionalidades mais solicitadas para pesquisa profunda era a capacidade de fazer login em sites e acessar fontes autenticadas. Isso é algo que o operador pode fazer. Eu estava esperando por isso há muito tempo. Sim. Hum, outra coisa é que estávamos olhando os prompts que as pessoas estavam tentando para o operador e vimos que eles eram, na verdade, mais prompts do tipo pesquisa profunda. Por exemplo, planejar uma viagem e depois reservá-la. E então, sim, realmente sentimos que estamos trazendo o melhor dos dois mundos aqui. E, numa nota pessoal, somos todos amigos há algum tempo, e é realmente emocionante trabalhar juntos.
Então, falando em combinações perfeitas, como está indo o planejamento do casamento? É incrível de assistir. Este é um exemplo de uma tarefa que odeio fazer. Isso pode, tipo, arruinar, sabe, várias horas para mim, enquanto sou sugado para esses buracos de coelho. Então, apenas assistir a isso enquanto vocês estavam falando, clicando e fazendo tudo, é realmente bastante notável. Sim, totalmente. Hum, parece que começou descobrindo o clima. Uma das características legais, hum, é que, sabe, como algumas dessas tarefas podem levar um pouco mais de tempo, você pode simplesmente voltar e ver o que ele estava fazendo. Então, é exatamente isso que vamos fazer. Parece que ele navegou pelo site para usar o navegador de texto. Curiosamente, para isso, agora ele está procurando os ternos para Edward. Acho que ele vai encontrar algo bom. Aqui você pode ver que ele mudou para um navegador visual para garantir que o terno ficará realmente bom em Edward. E agora parece que sim, ele está progredindo, descobrindo o que fazer. Hum, e ainda nos ternos e agora provavelmente chegando à seção de presentes. Hum, ok, legal. Então, isso vai levar um tempo. Como Sam disse, essas tarefas às vezes podem levar muito tempo. Então, ele vai continuar fazendo, esperamos que muito mais rápido do que nós faríamos. Hum, devemos fazer outra coisa enquanto ele está fazendo isso? Acho que a equipe realmente queria os, hum, adesivos, alguns adesivos para o lançamento. Devemos fazer isso? Sim, legal. Tudo bem. Então, temos um mascote da equipe, que é um de nossos colegas, Bunny Doodle. Realmente muito fofo, digo a vocês. Hum, e vamos tentar trazer, hum, conseguir alguns adesivos de laptop para todos. Uma das características favoritas do agente é que as trajetórias podem levar 15 minutos, 20 minutos, 30 minutos, dependendo da complexidade da tarefa. Hum, muitas vezes você pode precisar ajudar o agente. O agente pode precisar pedir-lhe esclarecimentos, confirmações e coisas assim. Hum, então adoro usá-lo em movimento. Então, vou usar meu celular para realmente enviar a consulta desta vez e ver como vai.
Ok, então vamos ver. Ok, então estamos no Chat GBD. Já selecionei o modo agente. Também inseri nosso mascote fofo e vou colar rapidamente uma consulta. Então a consulta diz para fazer alguns brindes para a equipe, adesivos de laptop um por um e pedir 500 deles. Também direi que gosto da Sticker Mule, que usamos no passado, e enviarei. Ok. Então, assim como estava fazendo na web, vai levar algum tempo, pensar no que está fazendo, e vai iniciar a consulta. E enquanto está indo, levará algum tempo para iniciá-lo. É? Ah, lá vamos nós. Então, ele começará a trabalhar nisso. Parece que está começando a criar a arte de anime. Provavelmente usará a imagem que Isa mencionou anteriormente para criar, esperamos, uma arte de anime. Veremos como fica. Enquanto isso, há mais alguma coisa que queremos fazer? Ah, sim. Também preciso de um par de sapatos porque meus sapatos foram danificados. Como eles foram danificados? Pela chuva em SF. Sim. Legal. Tudo bem. Bem, vamos conseguir um par de sapatos para Edward também. Então, ah, você também pode nos encontrar um par de sapatos sociais masculinos pretos no tamanho 9.5? 9.5. Então, uma das principais capacidades do modelo é ser capaz de interromper. Acho que, você sabe, como as trajetórias levam muito tempo ou qualquer tempo, é realmente importante para nós que ele se sinta muito multi-turno para que os usuários possam intervir, o usuário possa direcioná-lo, o usuário possa dar mais ou menos orientação, o que quisermos fazer, e é isso que estamos fazendo aqui, essencialmente o modelo estava progredindo, descobrindo todas as coisas que havíamos pedido antes e, neste caso, essencialmente dissemos: "Ei, você também pode nos conseguir um par de sapatos masculinos pretos?" e agora ele está pensando e, em breve, esperamos que ele leve isso em consideração e continue em sua trajetória. Lá vamos nós. Então, ele disse que reconheceu a interrupção. Ele disse: "Ok, legal. Também pesquisarei sapatos masculinos pretos no tamanho 9.5." Hum, e então ele provavelmente seguirá seu caminho. Hum, mas talvez Issa possa nos contar um pouco mais sobre como isso funciona.
Sim, claro. Então, como você pode ver, o agente é muito colaborativo, e isso foi realmente importante para nós quando estávamos treinando o modelo e construindo o produto. Se você estivesse pedindo a outra pessoa para fazer uma tarefa para você que levaria muito tempo para ser concluída, você provavelmente daria algumas instruções para começar e então eles poderiam fazer algumas perguntas de esclarecimento e então eles começariam a tarefa e talvez percebessem, oh, eles precisam de mais esclarecimentos de você ou precisam da sua permissão para fazer login em algo ou fazer algo em seu nome e então você poderia perceber, oh, eu esqueci de mencionar isso ou, hum, qual é o seu status? Como você está? Posso ajudar a redirecioná-lo se você estiver no caminho errado ou algo assim? E assim, de forma semelhante para essas tarefas de agente de longa duração, é muito importante que tanto o usuário quanto o agente sejam capazes de iniciar a comunicação um com o outro para que o agente seja capaz de ajudá-lo de forma mais eficaz com suas tarefas. E então isso é algo que realmente treinamos no modelo. Nós o treinamos para ser capaz de fazer perguntas de esclarecimento, não todas as vezes como na pesquisa profunda. Hum, também pedimos, também o treinamos para ser interrompível, como Yash acabou de mostrar. E também, às vezes, ele pedirá esclarecimento e confirmação no meio da trajetória. Sim. E parte de trabalhar com o agente é que, bem, às vezes ele cometerá erros. E é por isso que sentimos que era importante treinar o modelo para pedir sua confirmação na última etapa de passos importantes. Hum, então, por exemplo, talvez antes de enviar o e-mail, ele pedirá para você dar uma olhada no rascunho e ver se faz sentido e se há algum erro de digitação embaraçoso. Hum, e se houver, então você pode pedir para ele corrigir ou pode assumir diretamente o navegador e pular direto para o ambiente do agente e corrigi-lo você mesmo. E dessa forma, parece colaborativo e você pode, hum, realmente trabalhar com o agente.
Devemos ver talvez mais uma demonstração? Temos esta, hum, espécie de tradição divertida em transmissões ao vivo de usar, hum, usar nossos modelos mais recentes para, de certa forma, se autoavaliar ou fazer algo meio meta. Algo assim que pudéssemos fazer? Sim, vamos fazer isso. Então, hum, acho que as pessoas adorariam saber o quão bom é o modelo. Sim. Então, este é um prompt que demos anteriormente ao agente ontem. Então, basicamente, ele pede ao modelo para puxar seu próprio número de avaliação do nosso conector de trabalho do Google e fazer alguns slides. Então queremos mantê-lo simples, sem introdução, sem conclusão, apenas apresentar os resultados nos gráficos. Como você pode ver agora, o modelo está se conectando à API do Google Drive e, hum, então pesquisando dentro da API, agora parece que o primeiro resultado é muito relevante. Então ele está lendo o primeiro resultado. Agora ele está lendo o primeiro resultado, hum, em detalhes. Hum, vamos acelerar esta, hum, reprodução. Então, o modelo pode ler o resultado novamente e escrever algum código. Então, aqui você pode ver que o modelo está usando o modelo de geração de imagens chamado ferramenta de geração de imagens para gerar algumas decorações para os slides. E vamos ver qual é o primeiro slide que o modelo fez. Então, aqui o modelo está escrevendo algum código que será compilado para ser os slides finais. Então, este é o primeiro slide que o modelo fez nesta demonstração, que parece ok, mas não está polido o suficiente. Uma das principais características do aprendizado por reforço é que o modelo revisará seus próprios resultados e refinará os resultados para entregar bons resultados finais. Vamos ver o que o modelo finalmente nos dá. Podemos clicar em pular e então o modelo nos dá um bom arquivo PowerPoint. Então é um PowerPoint real que você pode baixar e abrir em qualquer software. Vamos abri-lo, hum, no escritório. Então, vamos apresentar os slides que o modelo acabou de gerar. Primeiro, dois benchmarks de inteligência. O último exame de Humanidades é um benchmark que mede a capacidade da IA de resolver uma ampla gama de assuntos em problemas difíceis. Avaliamos os modelos com duas configurações: com e sem uso de ferramentas. Podemos ver que nos modos de agente, a inteligência bruta já é bastante boa e com acesso a todas as ferramentas, quase dobra o desempenho para 42%. Ao avaliar modelos no último exame de humanidades, especialmente com a capacidade de navegação, temos uma descontaminação de duas camadas que garante que o modelo não trapaceie neste benchmark. Front TMS é um benchmark que mede a capacidade de raciocínio matemático avançado dos modelos. Diferente da nossa linha de base de mini e 03 que usam Python com codificação de funções. Damos ao modelo agente todas as ferramentas disponíveis, como um navegador, um computador e um terminal. O agente atinge um novo estado da arte de 27% neste benchmark com a ajuda de todas essas ferramentas. Em seguida, avaliamos o modelo em dois benchmarks de agente. Web arena é um benchmark que mede a capacidade de agentes web para resolver tarefas web do mundo real. O modelo agente melhora em relação ao modelo O3 anterior que alimenta o núcleo. Browse comp é um benchmark que introduzimos no início deste ano que mede a capacidade dos agentes de navegação de pesquisar e encontrar, hum, como localizar informações. O modelo agente supera significativamente o 03 e a pesquisa profunda neste benchmark, alcançando uma taxa de aprovação de 69%. Finalmente, nos preocupamos com como os usuários se beneficiarão do nosso modelo no mundo real. Spreadsheet bench é um benchmark que mede a capacidade do modelo de editar planilhas derivadas de casos de uso do mundo real. Aqui, o modelo agente com o LibreOffice e a ferramenta de computador já pode resolver 30% da tarefa quando damos ao modelo acesso ao arquivo Excel bruto no terminal, o que aumenta ainda mais o desempenho para 45%. Finalmente, avaliamos o modelo em um benchmark bancário interno. Este benchmark avaliou a capacidade do modelo de conduzir tarefas de analista bancário de investimento de primeiro a terceiro ano, como montar um modelo financeiro de três demonstrações para uma empresa Fortune 500 neste benchmark. O modelo agente supera significativamente os modelos anteriores de pesquisa profunda e todos os três modelos. Como você pode ver, este modelo é um dos modelos mais poderosos que já treinamos. Não é apenas bom em benchmarks, também é capaz de raciocinar, navegar e lidar com tarefas do mundo real em um nível que não podíamos imaginar há três meses.
Isso mesmo. Hum, como Edward disse, hum, achamos que treinamos um modelo muito poderoso e grande parte do poder vem de sua capacidade de navegar na internet. E como sabemos, a internet pode ser um lugar assustador. Há todo tipo de hackers tentando roubar suas informações, golpes, tentativas de phishing. Hum, e o agente não está imune a todas essas coisas. Hum, uma coisa em particular que nos preocupa é um novo ataque chamado injeções de prompt. É aqui que, digamos, você pede ao agente para comprar um livro para você e você lhe dá as informações do seu cartão de crédito para fazer isso. O agente pode encontrar um site malicioso que lhe peça: "Ah, insira as informações do seu cartão de crédito aqui. isso o ajudará com sua tarefa." Um agente, que é treinado para ser útil, pode decidir que é uma boa ideia. Fizemos muito trabalho para tentar garantir que isso não aconteça. Treinamos nosso modelo para ignorar instruções suspeitas em sites suspeitos. Também temos, hum, também temos camadas de monitores que meio que espiam por cima do ombro do agente e o observam enquanto ele está indo, hum, e param a trajetória se algo parecer suspeito. Podemos até atualizar isso em tempo real se novos ataques forem encontrados na natureza. Dito isso, porém, você sabe, este é um produto de ponta. Esta é uma nova superfície e não podemos parar tudo. E é por isso que sinto que é muito importante que o público esteja ciente dos riscos envolvidos no uso do agente. E, hum, encorajamos os usuários a serem proativos em pensar sobre como compartilham suas informações. Sabe, se for informação altamente sensível, talvez não a compartilhe. Hum, talvez, hum, use nossos recursos como o modo de controle para inserir diretamente as informações do seu cartão de crédito no navegador, em vez de, hum, dá-las ao agente. Hum, sentimos que construímos um produto muito poderoso, mas novamente é importante que nossos usuários entendam o risco envolvido.
Sim, eu realmente quero enfatizar que acho que este é um novo nível de capacidade em IA. É uma nova maneira de usar a IA, mas haverá um novo conjunto de ataques que virão com isso. E a sociedade e a tecnologia terão que evoluir e aprender como vamos mitigar coisas que ainda nem conseguimos realmente imaginar. Hum, à medida que as pessoas começam a fazer mais e mais trabalho dessa forma. Antes de encerrar, devemos verificar algumas das tarefas que você iniciou? Sim, vamos fazer isso. Hum, ok. Então, vou abrir uma nova aba e garantir que possamos ver o progresso dos nossos, hum, adesivos também. Ok. Vamos ver. Tudo bem. Então, parece que os adesivos estão prontos. Deixe-me ver o que ele realmente Ok. Então, coisa legal. Este é o resultado final que levou cerca de 7 minutos. Muito provavelmente descobriu tudo. Voltaremos e olharemos a trajetória para ver como ele se saiu. Mas no resultado final, parece que ele adicionou ao carrinho. Este é o subtotal. Posso simplesmente ir em frente e olhar para ele e então descobrir, hum, posso simplesmente assumir o controle neste ponto, como Casey disse, para inserir as informações do meu cartão de crédito e então fazer o pedido muito rapidamente. O modelo está pedindo confirmações, etc., como deveria fazer. Vamos apenas navegar rapidamente pela trajetória e ver o que ele realmente fez. Oh, parece que ele gerou alguns adesivos. Oh, olhe para isso. Foi isso que ele gerou de adesivo. Legal. Então, sim, essa é a tarefa. Acho que posso, neste ponto, terminar sozinho ou posso pedir ao modelo para realmente ir em frente e fazer isso por mim também. Vamos verificar o casamento. Ok, ótimo. Parece que acabou bem a tempo. Hum, ok, legal. Então, neste caso, como dissemos, estávamos procurando hotel, vestido, hum, ternos e também sapatos. Então ele veio com um relatório bastante abrangente. Parece que local do casamento, data, quando é com os links do Zilla, códigos de vestimenta. Ele descobriu qual deveria ser a recomendação de terno, onde você pode comprar. Agora posso ir em frente e comprar eu mesmo ou posso pedir ao agente para ir e comprar para mim. Hum, também descobriu opções de calçados. Ele realmente verificou todas as, ops, desculpe, ele verificou toda a disponibilidade. Você pode ver que ele realmente fornece capturas de tela do que verificou. Neste caso, usamos booking.com e ele é capaz de fazer isso. Também tem sugestões de presentes etc. E no próximo passo posso perguntar, como você disse, o agente diz: "Ei, se precisar de ajuda para comprar algum item ou tiver mais ajustes, me avise para que possamos fazer isso". Hum, e quero mostrar uma última demonstração que não rodamos ao vivo, mas acho que é muito legal e especialmente porque as pessoas que vão se casar são realmente fãs de MLB. Então, pedimos ao agente para ir e construir um itinerário ideal para visitar todos os 30 estádios da MLB, caso você esteja pensando em um sabático, e então projetar a rota ideal, priorizar as noites de Hello Kitty e o que mais, e apresentar um plano final como uma planilha detalhada. Vou passar por isso muito rapidamente. Hum, acho que é tão divertido de ver. Então, novamente, como mostramos ao longo da transmissão ao vivo, ele usa uma infinidade de ferramentas, usa o contêiner, o terminal, o navegador, trabalhando em todos os detalhes. Ele provavelmente usará novamente o navegador para descobrir as noites de Hello Kitty e depois o estádio esportivo e o que mais. Ah, o mapa. Construindo um mapa usando código para realmente construí-lo e então, no geral, obtemos um resultado bastante sólido, acho que no final leva 25 minutos para funcionar, onde a temporada começa e o que mais, você tem uma planilha que pode visualizar rapidamente dentro, bem dentro do Chat GBD, você pode mapear a jornada, um mapa legal, eu acho, e é isso, então este é o agente Chat GBD, esperamos que vocês realmente gostem e passo a palavra para Sam, trabalho incrível de todos vocês e de suas equipes, isso é, acho, algo que realmente vai ajudar as pessoas a realizar o trabalho e ter mais tempo para fazer as coisas que querem fazer. Hum, acho que é realmente incrível o quanto vocês uniram para entregar esta experiência e ver o agente meio que usar a internet, fazer essas planilhas, fazer PowerPoints, o que mais, hum, e fazer todo esse trabalho é bastante incrível. Estaremos ao vivo hoje para usuários pro, plus e de equipe. Usuários Pro terão, hum, 400 consultas por mês, mais alguns usuários de equipe terão 40 por mês. Hum, o lançamento deve ser concluído até o final do dia para usuários pro e muito em breve para usuários plus e de equipe. Tentaremos estar ao vivo para empresas e educação até o final deste mês. Como Casey mencionou, embora esta seja uma nova tecnologia extremamente empolgante, existem novos riscos. Hum, as pessoas aprenderam a usar a internet de forma geralmente bastante segura, embora, é claro, ainda existam golpistas e outros ataques. As pessoas precisarão aprender a usar agentes de IA. Hum, e a sociedade precisará aprender a construir defesas contra ataques a agentes de IA também. Então, estamos começando com um sistema muito robusto, muitos avisos. Vamos relaxar isso com o tempo, à medida que as pessoas se sentirem mais confortáveis com ele. Mas queremos que as pessoas tratem isso como uma nova tecnologia e uma nova superfície de risco e usem toda a cautela que Casey mencionou. Hum, mas dito isso, esperamos que vocês adorem. Hum, isso ainda é muito cedo. Vamos melhorá-lo rapidamente e estamos animados para ver onde tudo isso vai dar. Então, parabéns novamente. Muito obrigado. Esperamos que gostem.