TL;DR

Con el auge de los modelos de lenguaje grandes, la demanda de personalización en el software está creciendo como nunca antes. La plataforma recién lanzada de Plastic Labs, Honcho, adopta un enfoque de "plug-and-play" diseñado para salvar a los desarrolladores de reinvención de la rueda cuando se trata de construir perfiles de usuario profundos.

El 11 de abril (hora de Beijing), la startup de IA Plastic Labs anunció que ha completado una ronda de financiamiento Pre-Seed de $5.35 millones. La ronda fue liderada por Variant, White Star Capital y Betaworks, con la participación de Mozilla Ventures, Seed Club Ventures, Greycroft y Differential Ventures. Los inversores ángeles incluyeron a Scott Moore, NiMA Asghari y Thomas Howell. Al mismo tiempo, su plataforma de identidad de IA personalizada, Honcho, ha sido abierta oficialmente para acceso temprano.

Dado que el proyecto todavía está en sus primeras etapas, la comunidad criptográfica en general sabe muy poco sobre Plastic Labs. Junto con el anuncio de Plastic en X sobre su financiación y lanzamiento de productos, Daniel Barabander, socio general y asesor del principal inversor Variant, compartió un análisis detallado del proyecto y su plataforma Honcho. El contenido original es el siguiente:

Con el auge de las grandes aplicaciones de modelos de lenguaje (LLM), la demanda de personalización en el software ha crecido sin precedentes. Estas aplicaciones se basan en el lenguaje natural, que cambia según la persona con la que estés hablando, de forma muy similar a como explicarías un concepto matemático de forma diferente a tus abuelos que a tus padres o hijos. Instintivamente adaptas tu comunicación a tu audiencia, y las aplicaciones de LLM deben "entender" de manera similar con quién están interactuando para ofrecer experiencias más efectivas y personalizadas. Ya sea que se trate de un asistente terapéutico, un asesor legal o un compañero de compras, estas aplicaciones necesitan una verdadera comprensión del usuario para ofrecer un valor real.

Sin embargo, a pesar de la importancia crítica de la personalización, actualmente no existen soluciones prefabricadas que las aplicaciones de LM puedan integrar fácilmente. A menudo, los desarrolladores tienen que reunir sistemas fragmentados para almacenar datos de usuario (generalmente en forma de registros de conversaciones) y recuperarlos cuando sea necesario. Como resultado, cada equipo termina reinventando la rueda al construir su propia infraestructura de gestión de estados de usuario. Peor aún, técnicas como almacenar interacciones de usuario en una base de datos vectorial y utilizar la generación aumentada por recuperación (RAG) solo pueden recordar conversaciones pasadas, no pueden capturar aspectos más profundos del usuario como intereses, preferencias de comunicación o sensibilidad al tono.

Plastic Labs presenta Honcho, una plataforma plug-and-play que permite a los desarrolladores implementar fácilmente la personalización en cualquier aplicación LL. En lugar de construir modelados de usuario desde cero, los desarrolladores pueden simplemente integrar Honcho para acceder instantáneamente a perfiles de usuario ricos y persistentes. Estos perfiles van más allá de lo que los métodos tradicionales pueden ofrecer, gracias al uso de técnicas de vanguardia de la ciencia cognitiva por parte del equipo. Además, admiten consultas en lenguaje natural, lo que permite a los LL adaptar dinámicamente su comportamiento en función del perfil del usuario.

Al abstraer la complejidad de la gestión del estado del usuario, Honcho abre la puerta a un nuevo nivel de experiencias hiper-personalizadas para aplicaciones de LL. Pero su importancia va mucho más allá: los perfiles de usuario ricos y abstractos generados por Honcho también allanan el camino para la largamente esquiva "capa de datos de usuario compartida".

Históricamente, los intentos de construir una capa de datos de usuario compartida han fallado por dos razones principales:

• Falta de interoperabilidad: Los datos de usuario tradicionales a menudo están estrechamente vinculados a contextos de aplicación específicos, lo que dificulta su migración entre aplicaciones. Por ejemplo, una plataforma social como X podría modelar a los usuarios en función de a quién siguen, pero esos datos ofrecen poco valor para la red profesional en LinkedIn. Honcho, por otro lado, captura rasgos de usuario de orden superior y más universales que pueden servir sin problemas a cualquier aplicación LL. Por ejemplo, si una aplicación de tutoría descubre que un usuario aprende mejor a través de analogías, un asistente terapéutico podría aprovechar esa misma percepción para comunicarse de manera más efectiva, aunque los dos casos de uso sean completamente diferentes.

• Falta de valor inmediato: Las capas compartidas anteriores lucharon por atraer a los primeros adoptantes de aplicaciones porque no proporcionaban beneficios tangibles de inmediato, aunque estos primeros usuarios eran clave para generar datos valiosos. Honcho toma un enfoque diferente: primero resuelve el "problema principal" de la gestión del estado del usuario para aplicaciones individuales. A medida que se unen más aplicaciones, el efecto de red resultante aborda naturalmente el "problema secundario". Las nuevas aplicaciones no solo se integrarán para la personalización, sino que también se beneficiarán de los perfiles de usuario compartidos existentes desde el principio, evitando por completo el problema del arranque en frío.

Actualmente, cientos de aplicaciones están en la lista de espera para la beta cerrada de Honcho, abarcando casos de uso como el coaching para la recuperación de adicciones, compañeros educativos, asistentes de lectura y herramientas de comercio electrónico. La estrategia del equipo es enfocarse primero en resolver el desafío central de la gestión del estado del usuario para las aplicaciones, y luego implementar gradualmente la capa de datos compartidos para las aplicaciones participantes. Esta capa será respaldada por incentivos encriptados: los integradores tempranos recibirán participaciones de propiedad en la capa de datos y se beneficiarán de su crecimiento. Además, los mecanismos de blockchain garantizarán que el sistema permanezca descentralizado y confiable, aliviando las preocupaciones sobre entidades centralizadas que extraen valor o construyen productos competidores.

Variant cree que el equipo de Plastic Labs está bien posicionado para abordar el desafío de modelado de usuario en software impulsado por LLM. El equipo experimentó este dolor de cabeza de primera mano mientras construía Bloom, una aplicación de tutoría personalizada basada en chat, y se dio cuenta de que la aplicación no podía entender verdaderamente a los estudiantes ni sus estilos de aprendizaje. Honcho nació a partir de esta percepción, y ahora está resolviendo un problema que todo desarrollador de aplicaciones LLM está destinado a enfrentar.

Descargo de responsabilidad:

1. Este artículo se republica desde [PANews]. Copyright belongs to the original author [Zen]. Si tiene preocupaciones sobre la republicación, por favor póngase en contacto con elGate Learnequipo, que lo abordará a través de los canales adecuados.

2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente del autor y no constituyen asesoramiento de inversión.

3. Otras versiones en otros idiomas de este artículo han sido traducidas por el equipo de Gate Learn. No reproduzca, distribuya ni plagie estas versiones traducidas sin atribución adecuada aGate.io.