Tóm tắt ngắn gọn; không đọc

Với sự bùng nổ của các mô hình ngôn ngữ lớn, nhu cầu về cá nhân hóa trong phần mềm đang tăng lên như chưa bao giờ. Nền tảng Honcho mới ra mắt của Plastic Labs áp dụng một phương pháp “plug-and-play” được thiết kế để giúp nhà phát triển không cần phải tạo lại từ đầu khi xây dựng các hồ sơ người dùng chi tiết.

Vào ngày 11 tháng 4 (giờ Bắc Kinh), công ty khởi nghiệp trí tuệ nhân tạo Plastic Labs đã thông báo rằng họ đã hoàn thành vòng gọi vốn Trước mầm non trị giá 5,35 triệu đô la Mỹ. Vòng gọi vốn này do Variant, White Star Capital và Betaworks dẫn đầu, với sự tham gia của Mozilla Ventures, Seed Club Ventures, Greycroft và Differential Ventures. Các nhà đầu tư thiên thần bao gồm Scott Moore, NiMA Asghari và Thomas Howell. Đồng thời, nền tảng nhận diện trí tuệ nhân tạo cá nhân hóa của họ, Honcho, đã chính thức mở cửa để sử dụng sớm.

Vì dự án vẫn còn ở giai đoạn đầu, cộng đồng tiền điện tử rộng lớn hiện tại ít biết về Plastic Labs. Cùng với thông báo của Plastic về việc huy động vốn và ra mắt sản phẩm trên X, Daniel Barabander - Đối tác và Cố vấn chính tại nhà đầu tư chính Variant - đã chia sẻ một phân tích sâu sắc về dự án và nền tảng Honcho của nó. Nội dung gốc như sau:

Với sự gia tăng của các ứng dụng mô hình ngôn ngữ lớn (LLM), nhu cầu cá nhân hóa trong phần mềm đã tăng lên chưa từng có. Các ứng dụng này dựa trên ngôn ngữ tự nhiên, thay đổi tùy thuộc vào người bạn đang nói chuyện — giống như cách bạn giải thích một khái niệm toán học khác với ông bà của bạn so với cha mẹ hoặc con cái của bạn. Bạn theo bản năng điều chỉnh giao tiếp của mình cho khán giả và các ứng dụng LLM phải “hiểu” tương tự họ đang tương tác với ai để mang lại trải nghiệm hiệu quả và được cá nhân hóa hơn. Cho dù đó là trợ lý trị liệu, cố vấn pháp lý hay bạn đồng hành mua sắm, các ứng dụng này cần sự hiểu biết thực sự về người dùng để mang lại giá trị thực.

Tuy nhiên, mặc dù tầm quan trọng quyết định của việc cá nhân hóa, hiện tại không có giải pháp sẵn có nào mà các ứng dụng LLM có thể dễ dàng tích hợp. Các nhà phát triển thường phải ghép các hệ thống phân mảnh lại với nhau để lưu trữ dữ liệu người dùng (thường dưới dạng nhật ký trò chuyện) và truy xuất khi cần. Kết quả, mỗi nhóm đều phải tự xây dựng cơ sở hạ tầng quản lý trạng thái người dùng của riêng mình. Xấu hơn nữa, các kỹ thuật như lưu trữ tương tác của người dùng trong cơ sở dữ liệu vector và sử dụng hệ thống tạo ra tăng cường truy xuất (RAG) chỉ có thể gọi những cuộc trò chuyện trước đây — chúng không thể nắm bắt các khía cạnh sâu hơn của người dùng như sở thích, sở thích giao tiếp hoặc sự nhạy cảm với cách diễn đạt.

Plastic Labs giới thiệu Honcho, một nền tảng cắm và chơi cho phép các nhà phát triển dễ dàng thực hiện cá nhân hóa trong bất kỳ ứng dụng LLM nào. Thay vì xây dựng mô hình người dùng từ đầu, các nhà phát triển có thể đơn giản tích hợp Honcho để ngay lập tức truy cập vào hồ sơ người dùng phong phú và lâu dài. Những hồ sơ này vượt xa những gì mà phương pháp truyền thống có thể cung cấp, nhờ vào việc sử dụng các kỹ thuật tiên tiến từ khoa học nhận thức của đội ngũ. Hơn nữa, chúng hỗ trợ các truy vấn bằng ngôn ngữ tự nhiên, cho phép LLMs thích ứng động hành vi dựa trên hồ sơ người dùng.

Bằng cách trừu tượng hóa sự phức tạp của quản lý trạng thái người dùng, Honcho mở ra cánh cửa đến một cấp độ mới của trải nghiệm siêu cá nhân hóa cho các ứng dụng LLM. Nhưng tầm quan trọng của nó vượt xa điều đó: hồ sơ người dùng phong phú và trừu tượng do Honcho tạo ra cũng mở đường cho “lớp dữ liệu người dùng được chia sẻ” khó nắm bắt từ lâu.

Lịch sử, những nỗ lực để xây dựng một lớp dữ liệu người dùng chia sẻ đã thất bại vì hai lý do chính:

• Thiếu khả năng tương tác: Dữ liệu người dùng truyền thống thường chặt chẽ liên kết với ngữ cảnh ứng dụng cụ thể, làm cho việc di chuyển qua các ứng dụng trở nên khó khăn. Ví dụ, một nền tảng xã hội như X có thể mô hình hóa người dùng dựa trên những người họ theo dõi, nhưng dữ liệu đó không cung cấp nhiều giá trị cho mạng lưới chuyên nghiệp của một người trên LinkedIn. Ngược lại, Honcho ghi lại các đặc điểm người dùng cao cấp và phổ biến hơn có thể phục vụ mọi ứng dụng LLM một cách liền mạch. Ví dụ, nếu một ứng dụng hướng dẫn tìm ra rằng một người dùng học tốt nhất thông qua các ví dụ, một trợ lý trị liệu có thể tận dụng cùng thông tin đó để giao tiếp hiệu quả hơn — ngay cả khi hai trường hợp sử dụng hoàn toàn khác nhau.
• Thiếu giá trị ngay lập tức: Các lớp chia sẻ trước đây đã phải vật lộn để thu hút những người chấp nhận ứng dụng sớm vì chúng không cung cấp trước các lợi ích hữu hình, mặc dù những người dùng sớm này là chìa khóa để tạo ra dữ liệu có giá trị. Honcho có một cách tiếp cận khác: trước tiên nó giải quyết “vấn đề chính” của quản lý trạng thái người dùng cho các ứng dụng riêng lẻ. Khi nhiều ứng dụng tham gia, hiệu ứng mạng kết quả sẽ tự nhiên giải quyết “vấn đề thứ cấp”. Các ứng dụng mới sẽ không chỉ tích hợp để cá nhân hóa mà còn được hưởng lợi từ hồ sơ người dùng được chia sẻ hiện có ngay từ đầu, hoàn toàn bỏ qua vấn đề khởi động lạnh.

Hiện tại, hàng trăm ứng dụng đang ở danh sách chờ để tham gia phiên bản beta đóng của Honcho, bao gồm các trường hợp sử dụng như huấn luyện phục hồi nghiện, bạn đồng hành trong giáo dục, trợ lý đọc và công cụ thương mại điện tử. Chiến lược của nhóm là tập trung vào việc giải quyết thách thức cốt lõi của việc quản lý trạng thái người dùng cho ứng dụng trước, sau đó dần dần triển khai lớp dữ liệu chung cho các ứng dụng tham gia. Lớp này sẽ được hỗ trợ bằng cơ hội được mã hóa: người tích hợp sớm sẽ nhận cổ phần sở hữu trong lớp dữ liệu và hưởng lợi từ sự phát triển của nó. Ngoài ra, cơ chế blockchain sẽ đảm bảo hệ thống vẫn giữ tính phân tán và đáng tin cậy, giảm bớt lo ngại về các thực thể tập trung rút ra giá trị hoặc xây dựng các sản phẩm cạnh tranh.

Variant tin rằng nhóm Plastic Labs đã sẵn sàng đối phó với thách thức về mô hình hóa người dùng trong phần mềm được điều khiển bởi LLM. Nhóm đã trải qua điểm đau này trực tiếp khi xây dựng Bloom, một ứng dụng hướng dẫn cá nhân dựa trên trò chuyện, và nhận ra rằng ứng dụng không thể thực sự hiểu học sinh hoặc phong cách học tập của họ. Honcho ra đời từ sự nhận thức này—và hiện đang giải quyết một vấn đề mà mọi nhà phát triển ứng dụng LLM đều phải đối mặt.

Miễn trừ trách nhiệm:

1. Bài viết này được tái bản từ [PANews]. Bản quyền thuộc về tác giả gốc [Zen]. Nếu bạn có bất kỳ lo ngại nào về việc tái bản, vui lòng liên hệ vớiGate Họcđội ngũ, người sẽ giải quyết nó thông qua các kênh thích hợp.
2. Tuyên bố từ chối trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không cấu thành lời khuyên đầu tư.
3. Các phiên bản bằng ngôn ngữ khác của bài viết này đã được dịch bởi nhóm Gate Learn. Xin vui lòng không sao chép, phân phối hoặc đạo văn những phiên bản dịch này mà không có sự ghi chú đúng đắn tớiGate.io.