المؤلف الأصلي: دانيال باراباندر ، المستشار العام لشركة Variant وشريك استثماري
تجميع: زين، PANews
في 11 أبريل بتوقيت بكين، أعلنت شركة Plastic Labs الناشئة في مجال الذكاء الاصطناعي عن إكمالها لجولة تمويل ما قبل البذور بقيمة 5.35 مليون دولار، بقيادة Variant وWhite Star Capital وBetaworks، مع مشاركة Mozilla Ventures وSeed Club Ventures وGreycroft وDifferential Ventures، بالإضافة إلى مستثمرين ملاك مثل Scott Moore وNiMA Asghari وThomas Howell. في الوقت نفسه، تم فتح الوصول المبكر رسميًا إلى منصتها الشخصية للذكاء الاصطناعي "Honcho".
نظرًا لأن المشروع لا يزال في مراحله المبكرة، فإن مجتمع التشفير بأسره يعرف القليل جدًا عن Plastic Labs. وفي الوقت الذي أعلنت فيه Plastic عن التمويل والأخبار المتعلقة بالمنتج المذكورة أعلاه عبر X، قدم دانيل باراباندر، المستشار العام وشريك الاستثمار في المستثمر الرئيسي Variant، تحليلًا عميقًا للمشروع ومنصته Honcho. فيما يلي النص الأصلي:
مع ظهور تطبيقات نماذج اللغة الكبيرة (LLM)، زادت الحاجة إلى التخصيص في البرمجيات بشكل غير مسبوق. تعتمد هذه التطبيقات على اللغة الطبيعية، والتي تتغير بناءً على من تتحدث إليه - تمامًا كما تختلف صياغتك عند شرح مفهوم رياضي لأجدادك مقارنةً بشرحه لوالديك أو أطفالك. ستقوم بشكل تلقائي بتعديل تعبيرك وفقًا للجمهور، ويجب على تطبيقات LLM أن "تفهم" أيضًا مع من تتحدث حتى تتمكن من تقديم تجربة أكثر فعالية وملاءمة. سواء كانت مساعدات علاجية، أو مساعدين قانونيين، أو رفقاء تسوق، تحتاج هذه التطبيقات إلى فهم حقيقي للمستخدمين لتحقيق قيمتها.
ومع ذلك، على الرغم من أن التخصيص أمر بالغ الأهمية، لا توجد حاليًا حلول جاهزة متاحة لتطبيقات LLM. غالبًا ما يضطر المطورون إلى بناء أنظمة متفرقة بأنفسهم، حيث يتم تخزين بيانات المستخدم (عادةً في شكل سجلات محادثات) واسترجاعها عند الحاجة. والنتيجة هي أن كل فريق يضطر إلى إعادة اختراع العجلة وبناء بنية تحتية لإدارة حالة المستخدم بأنفسهم. والأسوأ من ذلك، أن الأساليب مثل تخزين تفاعلات المستخدم في قاعدة بيانات متجهات واستخدام التعزيز بالاسترجاع (RAG) يمكن أن تسترجع فقط المحادثات السابقة، لكنها لا تستطيع حقًا فهم اهتمامات المستخدم نفسها، وتفضيلات التواصل، وحساسية النغمة، وغيرها من الميزات العميقة.
أحضرت Plastic Labs Honcho، وهي منصة جاهزة للاستخدام، تتيح للمطورين تخصيص أي تطبيق LLM بسهولة. لم يعد يتعين على المطورين البدء من الصفر في بناء نماذج المستخدم، فبمجرد دمج Honcho، يمكنهم الحصول على صور مستخدمين غنية ودائمة على الفور. هذه الصور أكثر دقة من الطرق التقليدية، بفضل تكنولوجيا العلوم المعرفية المتقدمة التي استعان بها الفريق؛ كما أنها تدعم الاستعلامات باللغة الطبيعية، مما يسمح لـ LLM بتعديل سلوكها بناءً على صور المستخدم.
من خلال تبسيط تعقيد إدارة حالة المستخدم، يفتح Honcho آفاق تجربة مخصصة للغاية لتطبيقات LLM. لكن معناه يتجاوز ذلك بكثير: الصور الغنية المجردة للمستخدم التي ينتجها Honcho تمهد الطريق أيضًا لـ "طبقة بيانات المستخدم المشتركة" التي كان من الصعب تحقيقها لفترة طويلة.
في التاريخ، فشل طبقة بيانات المستخدم المشتركة لسببين رئيسيين:
الافتقار إلى قابلية التشغيل البيني: غالبا ما تعتمد بيانات المستخدم التقليدية بشكل كبير على حالات استخدام محددة ، مما يجعل من الصعب الترحيل عبر التطبيقات. على سبيل المثال ، قد يتم تصميم النظام الأساسي الاجتماعي X بناء على الأشخاص الذين تتابعهم ، لكن هذه المجموعة من البيانات لن تساعد شبكتك المهنية على LinkedIn. من ناحية أخرى ، يلتقط Honcho سمات مستخدم أعلى مرتبة وأكثر تنوعا ويخدم بسلاسة أي تطبيق LLM. على سبيل المثال ، إذا وجد تطبيق التدريب أنك الأنسب للتعلم عن طريق القياس ، فيمكن لمساعد العلاج الخاص بك استخدام هذه الرؤية للتواصل معك بشكل أكثر فعالية ، حتى لو كانت السيناريوهات مختلفة تماما.
عدم وجود قيمة فورية: * تاريخيا ، كافحت الطبقات المشتركة لجذب التطبيقات في وقت مبكر لأنها لم تقدم فوائد ملموسة للمحركين الأوائل ، الذين كانوا المفتاح لتوليد بيانات مستخدم قيمة. يختلف Honcho: فهو يحل "مشكلة المستوى الأول" المتمثلة في إدارة حالة المستخدم لتطبيق واحد ، وعندما يتم توصيل تطبيقات كافية ، فإن تأثير الشبكة يحل بشكل طبيعي "مشكلة المستوى الثاني" - التطبيق الجديد ليس متصلا فقط للتخصيص ، ولكنه يستفيد أيضا من شخصيات المستخدم المشتركة الحالية من البداية ، مما يلغي تماما نقطة الألم في البدايات الباردة.
حالياً، لدى Honcho مئات التطبيقات في قائمة الانتظار للاختبار المغلق، تغطي مجموعة متنوعة من السيناريوهات مثل مدرب الإقلاع، رفيق التعليم، مساعد القراءة وأدوات التجارة الإلكترونية. استراتيجية الفريق هي: التركيز أولاً على حل المشكلة الأساسية لإدارة حالة المستخدمين في التطبيقات، ثم طرح طبقة بيانات مشتركة تدريجياً للتطبيقات الراغبة في المشاركة. ستعتمد هذه الطبقة على حوافز مشفرة: ستنال التطبيقات التي تدخل مبكراً حصة ملكية في هذه الطبقة، مما يتيح لها مشاركة فوائد النمو؛ في نفس الوقت، ستضمن آلية blockchain أيضاً أن يكون النظام لامركزياً وموثوقاً، مما يلغي مخاوف سحب القيمة أو تطوير منتجات تنافسية من قبل المؤسسات المركزية.
تؤمن Variant بأن فريق Plastic Labs لديه القدرة على التغلب على تحديات نمذجة المستخدمين في برمجيات LLM المدفوعة. لقد شهد الفريق أثناء تطوير تطبيق Bloom للتوجيه الشخصي للدردشة مشكلة عدم قدرة التطبيق على فهم الطلاب وطرق تعلمهم بشكل حقيقي. وقد وُلِد Honcho بناءً على هذه الرؤية، حيث يعالج الألم الذي سيواجهه كل مطور تطبيقات LLM.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
نظرة سريعة على منصة الهوية الشخصية AI Honcho: كيف يمكن لتطبيقات LLM أن تفتح تجربة فائقة التخصيص؟
المؤلف الأصلي: دانيال باراباندر ، المستشار العام لشركة Variant وشريك استثماري
تجميع: زين، PANews
في 11 أبريل بتوقيت بكين، أعلنت شركة Plastic Labs الناشئة في مجال الذكاء الاصطناعي عن إكمالها لجولة تمويل ما قبل البذور بقيمة 5.35 مليون دولار، بقيادة Variant وWhite Star Capital وBetaworks، مع مشاركة Mozilla Ventures وSeed Club Ventures وGreycroft وDifferential Ventures، بالإضافة إلى مستثمرين ملاك مثل Scott Moore وNiMA Asghari وThomas Howell. في الوقت نفسه، تم فتح الوصول المبكر رسميًا إلى منصتها الشخصية للذكاء الاصطناعي "Honcho".
نظرًا لأن المشروع لا يزال في مراحله المبكرة، فإن مجتمع التشفير بأسره يعرف القليل جدًا عن Plastic Labs. وفي الوقت الذي أعلنت فيه Plastic عن التمويل والأخبار المتعلقة بالمنتج المذكورة أعلاه عبر X، قدم دانيل باراباندر، المستشار العام وشريك الاستثمار في المستثمر الرئيسي Variant، تحليلًا عميقًا للمشروع ومنصته Honcho. فيما يلي النص الأصلي:
مع ظهور تطبيقات نماذج اللغة الكبيرة (LLM)، زادت الحاجة إلى التخصيص في البرمجيات بشكل غير مسبوق. تعتمد هذه التطبيقات على اللغة الطبيعية، والتي تتغير بناءً على من تتحدث إليه - تمامًا كما تختلف صياغتك عند شرح مفهوم رياضي لأجدادك مقارنةً بشرحه لوالديك أو أطفالك. ستقوم بشكل تلقائي بتعديل تعبيرك وفقًا للجمهور، ويجب على تطبيقات LLM أن "تفهم" أيضًا مع من تتحدث حتى تتمكن من تقديم تجربة أكثر فعالية وملاءمة. سواء كانت مساعدات علاجية، أو مساعدين قانونيين، أو رفقاء تسوق، تحتاج هذه التطبيقات إلى فهم حقيقي للمستخدمين لتحقيق قيمتها.
ومع ذلك، على الرغم من أن التخصيص أمر بالغ الأهمية، لا توجد حاليًا حلول جاهزة متاحة لتطبيقات LLM. غالبًا ما يضطر المطورون إلى بناء أنظمة متفرقة بأنفسهم، حيث يتم تخزين بيانات المستخدم (عادةً في شكل سجلات محادثات) واسترجاعها عند الحاجة. والنتيجة هي أن كل فريق يضطر إلى إعادة اختراع العجلة وبناء بنية تحتية لإدارة حالة المستخدم بأنفسهم. والأسوأ من ذلك، أن الأساليب مثل تخزين تفاعلات المستخدم في قاعدة بيانات متجهات واستخدام التعزيز بالاسترجاع (RAG) يمكن أن تسترجع فقط المحادثات السابقة، لكنها لا تستطيع حقًا فهم اهتمامات المستخدم نفسها، وتفضيلات التواصل، وحساسية النغمة، وغيرها من الميزات العميقة.
أحضرت Plastic Labs Honcho، وهي منصة جاهزة للاستخدام، تتيح للمطورين تخصيص أي تطبيق LLM بسهولة. لم يعد يتعين على المطورين البدء من الصفر في بناء نماذج المستخدم، فبمجرد دمج Honcho، يمكنهم الحصول على صور مستخدمين غنية ودائمة على الفور. هذه الصور أكثر دقة من الطرق التقليدية، بفضل تكنولوجيا العلوم المعرفية المتقدمة التي استعان بها الفريق؛ كما أنها تدعم الاستعلامات باللغة الطبيعية، مما يسمح لـ LLM بتعديل سلوكها بناءً على صور المستخدم.
من خلال تبسيط تعقيد إدارة حالة المستخدم، يفتح Honcho آفاق تجربة مخصصة للغاية لتطبيقات LLM. لكن معناه يتجاوز ذلك بكثير: الصور الغنية المجردة للمستخدم التي ينتجها Honcho تمهد الطريق أيضًا لـ "طبقة بيانات المستخدم المشتركة" التي كان من الصعب تحقيقها لفترة طويلة.
في التاريخ، فشل طبقة بيانات المستخدم المشتركة لسببين رئيسيين:
حالياً، لدى Honcho مئات التطبيقات في قائمة الانتظار للاختبار المغلق، تغطي مجموعة متنوعة من السيناريوهات مثل مدرب الإقلاع، رفيق التعليم، مساعد القراءة وأدوات التجارة الإلكترونية. استراتيجية الفريق هي: التركيز أولاً على حل المشكلة الأساسية لإدارة حالة المستخدمين في التطبيقات، ثم طرح طبقة بيانات مشتركة تدريجياً للتطبيقات الراغبة في المشاركة. ستعتمد هذه الطبقة على حوافز مشفرة: ستنال التطبيقات التي تدخل مبكراً حصة ملكية في هذه الطبقة، مما يتيح لها مشاركة فوائد النمو؛ في نفس الوقت، ستضمن آلية blockchain أيضاً أن يكون النظام لامركزياً وموثوقاً، مما يلغي مخاوف سحب القيمة أو تطوير منتجات تنافسية من قبل المؤسسات المركزية.
تؤمن Variant بأن فريق Plastic Labs لديه القدرة على التغلب على تحديات نمذجة المستخدمين في برمجيات LLM المدفوعة. لقد شهد الفريق أثناء تطوير تطبيق Bloom للتوجيه الشخصي للدردشة مشكلة عدم قدرة التطبيق على فهم الطلاب وطرق تعلمهم بشكل حقيقي. وقد وُلِد Honcho بناءً على هذه الرؤية، حيث يعالج الألم الذي سيواجهه كل مطور تطبيقات LLM.