Оригінальний автор: Daniel Barabander, генеральний консультант Variant та інвестиційний партнер
Переклад: Zen, PANews
11 квітня за пекінським часом стартап у сфері AI Plastic Labs оголосив про завершення раунду фінансування Pre-Seed на суму 5,35 мільйона доларів, в якому взяли участь лідери Variant, White Star Capital і Betaworks, а також Mozilla Ventures, Seed Club Ventures, Greycroft і Differential Ventures, серед ангельських інвесторів - Скотт Мур, НіМА Асгарі та Томас Хоул.
Оскільки проєкт все ще на ранній стадії, вся криптоспільнота знає дуже мало про Plastic Labs. І поки Plastic через X повідомляє про вказане фінансування та новини продукту, головний консультант та інвестиційний партнер основного інвестора Variant Даніель Барабандер також зробив глибокий аналіз цього проєкту та його платформи Honcho. Нижче наведено оригінальний текст:
Зі зростанням застосувань великих мовних моделей (LLM) потреба програмного забезпечення в персоналізації зросла до небачених рівнів. Ці застосування покладаються на природну мову, яка змінюється в залежності від співрозмовника — так, як ви пояснюєте математичні концепції своїм бабусі та дідусеві, ви використовуєте інші слова, ніж коли пояснюєте батькам чи дітям. Ви інстинктивно коригуєте свої висловлювання залежно від слухача, і LLM-застосування також повинні "розуміти", з ким вони спілкуються, щоб надати більш ефективний і відповідний досвід. Чи це терапевтичні асистенти, юридичні помічники чи супутники для покупок, ці застосування повинні дійсно розуміти користувачів, щоб реалізувати свою цінність.
Однак, незважаючи на те, що персоналізація є надзвичайно важливою, на сьогоднішній день на ринку немає готових рішень, доступних для використання в LLM. Розробникам часто доводиться створювати різні розрізнені системи, зберігати дані користувачів (зазвичай у вигляді журналів сеансів) і витягувати їх за потреби. В результаті кожна команда змушена повторно винаходити колесо, самостійно будуючи інфраструктуру управління станом користувача. Ще гірше, що такі методи, як зберігання взаємодії з користувачем у векторній базі даних і виконання підвищення запитів (RAG), можуть лише згадувати минулі розмови, але не можуть насправді зрозуміти глибокі характеристики самих користувачів, такі як інтереси, уподобання в спілкуванні, чутливість тону тощо.
Plastic Labs представила Honcho, платформу, що дозволяє розробникам легко реалізувати персоналізацію для будь-якого LLM-додатку в режимі plug-and-play. Розробникам більше не потрібно починати з нуля для створення моделювання користувачів; достатньо інтегрувати Honcho, щоб відразу отримати багаті та стійкі профілі користувачів. Ці профілі є більш тонкими, ніж традиційні методи, завдяки використанню передових технологій когнітивної науки командою; і вони підтримують природні мовні запити, дозволяючи LLM гнучко налаштовувати свою поведінку відповідно до профілю користувача.
Абстрагуючи складність управління станом користувача, Honcho відкриває нові висоти надперсоналізованого досвіду для LLM-додатків. Але його значення виходить далеко за межі цього: багатий абстрактний профіль користувача, згенерований Honcho, також прокладає шлях до "спільного шару даних користувачів", який довгий час був важким для реалізації.
В історії основними причинами провалу рівня спільних користувацьких даних були дві:
Відсутність взаємодії: Традиційні дані користувачів часто сильно залежать від конкретних сценаріїв застосування, що ускладнює їх міграцію між додатками. Наприклад, соціальна платформа X може моделювати ваші дані на основі людей, на яких ви підписані, але ці дані не мають жодної користі для вашої професійної мережі в LinkedIn. Натомість Honcho захоплює більш високі, універсальні характеристики користувачів, які можуть безперешкодно обслуговувати будь-який LLM додаток. Наприклад, якщо навчальний додаток виявляє, що вам найкраще підходить навчання через аналогії, ваш помічник з лікування також може використовувати це розуміння для більш ефективного спілкування з вами, хоча обидва сценарії абсолютно різні.
Брак миттєвої вартості**：**Попередні шари спільного використання на початку важко залучали застосунки, оскільки вони не приносили суттєвих вигод піонерам, а саме піонери є ключем до генерації цінних користувацьких даних. Honcho відрізняється: він спочатку вирішує «первинну проблему» управління станом користувача для окремого застосунку, коли достатня кількість застосунків підключається, мережевий ефект природно принесе вирішення «вторинної проблеми» — нові застосунки підключаються не лише для персоналізації, але й можуть з самого початку використовувати вже існуючі спільні користувацькі профілі, повністю усуваючи проблеми холодного старту.
Наразі у Honcho вже є кілька сотень додатків у списку кандидатів на закрите тестування, охоплюючи різні сценарії, такі як тренери з подолання залежності, освітні партнери, помічники для читання та інструменти електронної комерції. Стратегія команди полягає в тому, щоб спочатку зосередитися на вирішенні основної проблеми управління станом користувачів додатків, а потім поступово впроваджувати шар спільних даних для тих додатків, які готові взяти участь. Цей шар буде використовувати криптоінцентиви: ранні учасники отримають частку власності на цей шар, що дозволить їм ділитися зростанням прибутків; одночасно механізм блокчейн також забезпечить децентралізовану довіру системи, усуваючи занепокоєння щодо витягування вартості централізованими установами або розробки конкурентних продуктів.
Variant вважає, що команда Plastic Labs має сили подолати виклики моделювання користувачів у програмному забезпеченні на основі LLM. Ця команда під час розробки персоналізованого чат-ментора Bloom особисто стикнулася з проблемою, що програма не може справді зрозуміти студентів і їхні способи навчання. Honcho виник саме на основі цього усвідомлення і вирішує біль, з яким стикаються всі розробники програм LLM.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Огляд персоналізованої AI ідентифікаційної платформи Honcho: як застосування LLM може відкрити надперсоналізований досвід?
Оригінальний автор: Daniel Barabander, генеральний консультант Variant та інвестиційний партнер
Переклад: Zen, PANews
11 квітня за пекінським часом стартап у сфері AI Plastic Labs оголосив про завершення раунду фінансування Pre-Seed на суму 5,35 мільйона доларів, в якому взяли участь лідери Variant, White Star Capital і Betaworks, а також Mozilla Ventures, Seed Club Ventures, Greycroft і Differential Ventures, серед ангельських інвесторів - Скотт Мур, НіМА Асгарі та Томас Хоул.
Оскільки проєкт все ще на ранній стадії, вся криптоспільнота знає дуже мало про Plastic Labs. І поки Plastic через X повідомляє про вказане фінансування та новини продукту, головний консультант та інвестиційний партнер основного інвестора Variant Даніель Барабандер також зробив глибокий аналіз цього проєкту та його платформи Honcho. Нижче наведено оригінальний текст:
Зі зростанням застосувань великих мовних моделей (LLM) потреба програмного забезпечення в персоналізації зросла до небачених рівнів. Ці застосування покладаються на природну мову, яка змінюється в залежності від співрозмовника — так, як ви пояснюєте математичні концепції своїм бабусі та дідусеві, ви використовуєте інші слова, ніж коли пояснюєте батькам чи дітям. Ви інстинктивно коригуєте свої висловлювання залежно від слухача, і LLM-застосування також повинні "розуміти", з ким вони спілкуються, щоб надати більш ефективний і відповідний досвід. Чи це терапевтичні асистенти, юридичні помічники чи супутники для покупок, ці застосування повинні дійсно розуміти користувачів, щоб реалізувати свою цінність.
Однак, незважаючи на те, що персоналізація є надзвичайно важливою, на сьогоднішній день на ринку немає готових рішень, доступних для використання в LLM. Розробникам часто доводиться створювати різні розрізнені системи, зберігати дані користувачів (зазвичай у вигляді журналів сеансів) і витягувати їх за потреби. В результаті кожна команда змушена повторно винаходити колесо, самостійно будуючи інфраструктуру управління станом користувача. Ще гірше, що такі методи, як зберігання взаємодії з користувачем у векторній базі даних і виконання підвищення запитів (RAG), можуть лише згадувати минулі розмови, але не можуть насправді зрозуміти глибокі характеристики самих користувачів, такі як інтереси, уподобання в спілкуванні, чутливість тону тощо.
Plastic Labs представила Honcho, платформу, що дозволяє розробникам легко реалізувати персоналізацію для будь-якого LLM-додатку в режимі plug-and-play. Розробникам більше не потрібно починати з нуля для створення моделювання користувачів; достатньо інтегрувати Honcho, щоб відразу отримати багаті та стійкі профілі користувачів. Ці профілі є більш тонкими, ніж традиційні методи, завдяки використанню передових технологій когнітивної науки командою; і вони підтримують природні мовні запити, дозволяючи LLM гнучко налаштовувати свою поведінку відповідно до профілю користувача.
Абстрагуючи складність управління станом користувача, Honcho відкриває нові висоти надперсоналізованого досвіду для LLM-додатків. Але його значення виходить далеко за межі цього: багатий абстрактний профіль користувача, згенерований Honcho, також прокладає шлях до "спільного шару даних користувачів", який довгий час був важким для реалізації.
В історії основними причинами провалу рівня спільних користувацьких даних були дві:
Наразі у Honcho вже є кілька сотень додатків у списку кандидатів на закрите тестування, охоплюючи різні сценарії, такі як тренери з подолання залежності, освітні партнери, помічники для читання та інструменти електронної комерції. Стратегія команди полягає в тому, щоб спочатку зосередитися на вирішенні основної проблеми управління станом користувачів додатків, а потім поступово впроваджувати шар спільних даних для тих додатків, які готові взяти участь. Цей шар буде використовувати криптоінцентиви: ранні учасники отримають частку власності на цей шар, що дозволить їм ділитися зростанням прибутків; одночасно механізм блокчейн також забезпечить децентралізовану довіру системи, усуваючи занепокоєння щодо витягування вартості централізованими установами або розробки конкурентних продуктів.
Variant вважає, що команда Plastic Labs має сили подолати виклики моделювання користувачів у програмному забезпеченні на основі LLM. Ця команда під час розробки персоналізованого чат-ментора Bloom особисто стикнулася з проблемою, що програма не може справді зрозуміти студентів і їхні способи навчання. Honcho виник саме на основі цього усвідомлення і вирішує біль, з яким стикаються всі розробники програм LLM.