Автор оригинала: Даниэль Барабандер, генеральный консультант и инвестиционный партнёр Variant
Составлено: Zen, PANews
11 апреля по пекинскому времени ИИ-стартап Plastic Labs объявил о завершении предпосевного раунда финансирования в размере $5,35 млн, возглавляемого Variant, White Star Capital и Betaworks, при участии Mozilla Ventures, Seed Club Ventures, Greycroft и Differential Ventures, бизнес-ангелов, включая Скотта Мур, Нима Асгари и Томас Хауэлл. В то же время ее платформа персонализированной идентификации с искусственным интеллектом «Honcho» официально открыла ранний доступ.
Поскольку проект все еще на ранней стадии, вся крипто-сообщество знает очень мало о Plastic Labs. В то время как Plastic объявила о вышеупомянутом финансировании и продуктовых новостях через X, главный консультант и инвестиционный партнер ее основного инвестора Variant Дэниел Барабандер также дал глубокое объяснение этому проекту и его платформе Honcho. Ниже приводится оригинальный текст:
С появлением приложений на основе крупномасштабных языковых моделей (LLM) потребность в персонализации программного обеспечения никогда не была столь велика. Эти приложения полагаются на естественный язык, который меняется в зависимости от того, с кем вы разговариваете — точно так же, как когда вы объясняете математические концепции своим бабушкам и дедушкам, это сильно отличается от того, когда вы объясняете их своим родителям или детям. Вы будете инстинктивно подстраивать свою речь под аудиторию, и приложения LLM должны точно так же «понимать», с кем они говорят, чтобы обеспечить более эффективный и релевантный опыт. Будь то помощник по исцелению, помощник юриста или компаньон по покупкам, эти приложения должны по-настоящему понимать пользователя, чтобы быть ценными.
Однако, несмотря на то, что персонализация имеет решающее значение, в настоящее время не существует готовых решений, доступных для вызова приложений LLM. Разработчикам часто приходится создавать собственные фрагментированные системы для хранения пользовательских данных, часто в виде журналов сеансов, и извлекать их по мере необходимости. В результате каждой команде приходится заново изобретать колесо и создавать собственную инфраструктуру управления пользовательской средой. Что еще хуже, такие методы, как хранение взаимодействий пользователя в векторной базе данных и увеличение извлечения (RAG), могут только вспомнить прошлые разговоры, но не могут по-настоящему охватить глубинные характеристики собственных интересов пользователя, коммуникационных предпочтений, чувствительности к тону и так далее.
Plastic Labs представила Honcho, платформу «подключи и работай», которая позволяет разработчикам легко персонализировать любые приложения LLM. Разработчикам больше не нужно начинать с нуля для создания пользовательского моделирования; достаточно интегрировать Honcho, чтобы сразу получить богатые и долговечные пользовательские профили. Эти профили более точные, чем традиционные методы, благодаря тому, что команда заимствовала передовые технологии из когнитивной науки; кроме того, они поддерживают запросы на естественном языке, что позволяет LLM гибко настраивать свое поведение в зависимости от пользовательского профиля.
Упрощая управление состоянием пользователей, Honcho открывает новые высоты сверхперсонализированного опыта для приложений LLM. Но его значение не ограничивается этим: богатые абстрактные пользовательские профили, генерируемые Honcho, также прокладывают путь к давно недостижимому "слою совместимых пользовательских данных".
В истории провал слоя совместного использования пользовательских данных был обусловлен двумя основными причинами:
Недостаток интероперабельности: Традиционные пользовательские данные часто сильно зависят от конкретных сценариев использования, что затрудняет их перенос между приложениями. Например, социальная платформа X может моделировать данные на основе людей, на которых вы подписаны, но эти данные совершенно бесполезны для вашей профессиональной сети в LinkedIn. В то время как Honcho захватывает более высокоуровневые и универсальные качества пользователей, которые могут бесшовно обслуживать любое приложение LLM. Например, если образовательное приложение обнаруживает, что вам больше всего подходит обучение через аналогии, то ваш терапевтический помощник также сможет использовать эту информацию для более эффективного общения с вами, несмотря на то что сценарии совершенно различны.
Недостаток мгновенной ценности**: **Ранее существующие уровни обмена с трудом привлекали приложения на ранних стадиях, поскольку они не приносили реальной выгоды пионерам, а пионеры как раз и являются ключом к созданию ценных пользовательских данных. Honcho отличается: он сначала решает «первую проблему» управления состоянием пользователей для отдельных приложений, и когда достаточно много приложений подключится, сетевой эффект естественным образом приведет к решению «второй проблемы» — новые приложения будут подключаться не только для персонализации, но и смогут с самого начала использовать существующие общие пользовательские профили, полностью избавляя от проблемы холодного старта.
В настоящее время у Honcho есть сотни приложений в списке ожидания закрытого тестирования, охватывающих различные сценарии, такие как тренеры по отказу от вредных привычек, образовательные помощники, помощники по чтению и инструменты для электронной коммерции. Стратегия команды заключается в том, чтобы сначала сосредоточиться на решении основной проблемы управления состоянием пользователей приложений, а затем постепенно внедрять общий уровень данных для желающих участвовать приложений. Этот уровень будет использовать криптоинцентивы: приложения, которые подключаются на раннем этапе, получат долю в этом уровне, чтобы делиться его ростом; в то же время, механизмы блокчейна также могут гарантировать децентрализованную надежность системы, устраняя опасения о том, что централизованные организации могут извлекать ценности или разрабатывать конкурирующие продукты.
Variant верит, что команда Plastic Labs обладает силой для решения задачи моделирования пользователей в программном обеспечении на основе LLM. Эта команда, разрабатывая приложение для персонализированного чата Bloom, на собственном опыте столкнулась с проблемой, что приложение не может по-настоящему понять студентов и их способы обучения. Honcho родился именно на основе этого понимания и решает болевую точку, с которой столкнутся все разработчики приложений на основе LLM.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Обзор персонализированной AI платформы Honcho: как приложения LLM могут предоставить сверхперсонализированный опыт?
Автор оригинала: Даниэль Барабандер, генеральный консультант и инвестиционный партнёр Variant
Составлено: Zen, PANews
11 апреля по пекинскому времени ИИ-стартап Plastic Labs объявил о завершении предпосевного раунда финансирования в размере $5,35 млн, возглавляемого Variant, White Star Capital и Betaworks, при участии Mozilla Ventures, Seed Club Ventures, Greycroft и Differential Ventures, бизнес-ангелов, включая Скотта Мур, Нима Асгари и Томас Хауэлл. В то же время ее платформа персонализированной идентификации с искусственным интеллектом «Honcho» официально открыла ранний доступ.
Поскольку проект все еще на ранней стадии, вся крипто-сообщество знает очень мало о Plastic Labs. В то время как Plastic объявила о вышеупомянутом финансировании и продуктовых новостях через X, главный консультант и инвестиционный партнер ее основного инвестора Variant Дэниел Барабандер также дал глубокое объяснение этому проекту и его платформе Honcho. Ниже приводится оригинальный текст:
С появлением приложений на основе крупномасштабных языковых моделей (LLM) потребность в персонализации программного обеспечения никогда не была столь велика. Эти приложения полагаются на естественный язык, который меняется в зависимости от того, с кем вы разговариваете — точно так же, как когда вы объясняете математические концепции своим бабушкам и дедушкам, это сильно отличается от того, когда вы объясняете их своим родителям или детям. Вы будете инстинктивно подстраивать свою речь под аудиторию, и приложения LLM должны точно так же «понимать», с кем они говорят, чтобы обеспечить более эффективный и релевантный опыт. Будь то помощник по исцелению, помощник юриста или компаньон по покупкам, эти приложения должны по-настоящему понимать пользователя, чтобы быть ценными.
Однако, несмотря на то, что персонализация имеет решающее значение, в настоящее время не существует готовых решений, доступных для вызова приложений LLM. Разработчикам часто приходится создавать собственные фрагментированные системы для хранения пользовательских данных, часто в виде журналов сеансов, и извлекать их по мере необходимости. В результате каждой команде приходится заново изобретать колесо и создавать собственную инфраструктуру управления пользовательской средой. Что еще хуже, такие методы, как хранение взаимодействий пользователя в векторной базе данных и увеличение извлечения (RAG), могут только вспомнить прошлые разговоры, но не могут по-настоящему охватить глубинные характеристики собственных интересов пользователя, коммуникационных предпочтений, чувствительности к тону и так далее.
Plastic Labs представила Honcho, платформу «подключи и работай», которая позволяет разработчикам легко персонализировать любые приложения LLM. Разработчикам больше не нужно начинать с нуля для создания пользовательского моделирования; достаточно интегрировать Honcho, чтобы сразу получить богатые и долговечные пользовательские профили. Эти профили более точные, чем традиционные методы, благодаря тому, что команда заимствовала передовые технологии из когнитивной науки; кроме того, они поддерживают запросы на естественном языке, что позволяет LLM гибко настраивать свое поведение в зависимости от пользовательского профиля.
Упрощая управление состоянием пользователей, Honcho открывает новые высоты сверхперсонализированного опыта для приложений LLM. Но его значение не ограничивается этим: богатые абстрактные пользовательские профили, генерируемые Honcho, также прокладывают путь к давно недостижимому "слою совместимых пользовательских данных".
В истории провал слоя совместного использования пользовательских данных был обусловлен двумя основными причинами:
В настоящее время у Honcho есть сотни приложений в списке ожидания закрытого тестирования, охватывающих различные сценарии, такие как тренеры по отказу от вредных привычек, образовательные помощники, помощники по чтению и инструменты для электронной коммерции. Стратегия команды заключается в том, чтобы сначала сосредоточиться на решении основной проблемы управления состоянием пользователей приложений, а затем постепенно внедрять общий уровень данных для желающих участвовать приложений. Этот уровень будет использовать криптоинцентивы: приложения, которые подключаются на раннем этапе, получат долю в этом уровне, чтобы делиться его ростом; в то же время, механизмы блокчейна также могут гарантировать децентрализованную надежность системы, устраняя опасения о том, что централизованные организации могут извлекать ценности или разрабатывать конкурирующие продукты.
Variant верит, что команда Plastic Labs обладает силой для решения задачи моделирования пользователей в программном обеспечении на основе LLM. Эта команда, разрабатывая приложение для персонализированного чата Bloom, на собственном опыте столкнулась с проблемой, что приложение не может по-настоящему понять студентов и их способы обучения. Honcho родился именно на основе этого понимания и решает болевую точку, с которой столкнутся все разработчики приложений на основе LLM.