TL;DR

Зі зростанням великих мовних моделей попит на персоналізацію в програмному забезпеченні зростає, як ніколи раніше. Недавно запущена платформа Honcho від Plastic Labs використовує підхід "встав-та-грай", розроблений для заощадження розробників від винаходження велосипеда при побудові глибоких профілів користувачів.

11 квітня (за китайським часом) стартап зі штучним інтелектом Plastic Labs оголосив, що завершив раунд попереднього фінансування на суму $5.35 мільйона. Лідерами раунду стали Variant, White Star Capital і Betaworks, з участю Mozilla Ventures, Seed Club Ventures, Greycroft і Differential Ventures. До ангельських інвесторів увійшли Скотт Мур, НіМа Асгарі та Томас Хауелл. У той самий час його персоналізована платформа ідентифікації штучного інтелекту, Honcho, офіційно відкрилася для попереднього доступу.

Оскільки проект ще знаходиться на ранніх стадіях, широка криптоспільнота мало знає про Plastic Labs. Поруч з оголошенням Plastic на X щодо фінансування та запуску продукту, Даніел Барабандер—генеральний партнер та радник провідного інвестора Variant—поділився докладним аналізом проекту та його платформи Honcho. Оригінальний вміст виглядає наступним чином:

Зі зростанням застосувань великого мовного моделю (LLM) попит на персоналізацію в програмному забезпеченні зросло надзвичайно. Ці застосування базуються на природній мові, яка змінюється в залежності від особи, з якою ви спілкуєтеся - так само, як ви пояснюєте математичну концепцію по-різному вашим бабусям, батькам чи дітям. Ви інстинктивно пристосовуєте своє спілкування до вашої аудиторії, і застосування LLM повинні так само «розуміти», з ким вони взаємодіють, щоб надавати більш ефективні та персоналізовані враження. Чи це терапевтичний помічник, юридичний радник чи покупковий супутник, цим застосуванням потрібне справжнє розуміння користувача, щоб надавати реальну цінність.

Проте, незважаючи на критичну важливість персоналізації, наразі не існує готових рішень, які можна легко інтегрувати у додатки LLM. Розробники часто змушені лагодити фрагментовані системи для зберігання даних користувачів (зазвичай у вигляді журналів розмов) та витягувати їх при потребі. В результаті кожна команда по суті винаходить колесо заново, будуючи власну інфраструктуру управління станом користувача. Що гірше, техніки, такі як зберігання взаємодій користувачів у векторній базі даних та використання методу покращення генерації (RAG), можуть лише відтворювати минулі розмови—вони не можуть зафіксувати глибокі аспекти користувача, такі як інтереси, комунікаційні вподобання чи чутливість до тона.

Plastic Labs представляє Honcho, платформу plug-and-play, яка дозволяє розробникам легко впроваджувати персоналізацію в будь-якому застосунку LLM. Замість побудови моделювання користувача з нуля, розробники можуть просто інтегрувати Honcho, щоб миттєво отримати доступ до багатих та постійних профілів користувачів. Ці профілі виходять за межі того, що можуть запропонувати традиційні методи, завдяки використанню командою передових технік когнітивної науки. Крім того, вони підтримують запити на природній мові, що дозволяє LLM динамічно пристосовувати свою поведінку на основі профілю користувача.

Абстрагуючи складність управління станом користувача, Honcho відкриває двері до нового рівня гіперперсоналізованих досвідів для застосунків LLM. Але його значимість виходить далеко за межі цього: багаті та абстрактні профілі користувачів, створені Honcho, також відкривають шлях до довгоочікуваного «спільного рівня даних користувача».

Історично спроби побудувати спільний шар даних користувача не вдалося з двох основних причин:

• Відсутність взаємодії: Традиційні дані користувачів часто тісно пов'язані з конкретними контекстами застосування, через що важко мігрувати між додатками. Наприклад, соціальна платформа, як X, може моделювати користувачів на основі того, кого вони слідкують, але ці дані майже не мають цінності для професійної мережі на LinkedIn. З іншого боку, Honcho захоплює вищий рівень та більш універсальні риси користувачів, які можуть безперешкодно обслуговувати будь-яке застосування LLM. Наприклад, якщо додаток для репетиторства виявляє, що користувач краще вчиться через аналогії, асистент з терапії може використовувати цей самий висновок для більш ефективного спілкування, навіть якщо ці два випадки використання є абсолютно різними.

• Відсутність безпосередньої цінності: Попередні спільні шари намагалися залучити ранніх користувачів додатків, оскільки вони не надавали відчутних переваг заздалегідь, хоча ці ранні користувачі були ключовими для отримання цінних даних. Honcho використовує інший підхід: спочатку він вирішує «основну проблему» управління станом користувачів для окремих додатків. У міру того, як приєднується все більше програм, отриманий мережевий ефект природним чином вирішує «другорядну проблему». Нові додатки будуть не тільки інтегровані для персоналізації, але й отримають вигоду від існуючих спільних профілів користувачів з самого початку, повністю обходячи проблему холодного старту.

Наразі сотні заявок перебувають у списку очікування для закритої бета-версії Honcho, що охоплюють випадки використання, такі як коучинг по подоланню залежності, навчальні співробітники, асистенти з читання та інструменти електронної комерції. Стратегія команди полягає в тому, щоб спочатку зосередитися на вирішенні основної проблеми управління станом користувача для додатків, а потім поступово впроваджувати загальний рівень даних для участи додатків. Цей рівень буде підтримуватися зашифрованими стимулами: ранні інтегратори отримають власність на частку в рівні даних та скористаються його зростанням. Крім того, механізми блокчейну забезпечать, що система залишиться децентралізованою та надійною, знімаючи стурбованість щодо централізованих сутностей, які видобувають значення або створюють конкуруючі продукти.

Варіант вважає, що команда Plastic Labs має відмінну позицію для вирішення завдання моделювання користувача в програмному забезпеченні, що працює на основі LLM. Команда особисто відчула цю проблему під час розробки Bloom, персоналізованого додатка для онлайн репетиторства, і зрозуміла, що додаток справді не міг розуміти студентів або їхні стилі навчання. Honcho виник з цього усвідомлення - і зараз він вирішує проблему, з якою зіткнеться кожен розробник програмного забезпечення на основі LLM.

Відмова від відповідальності:

1. Ця стаття перепублікована з [ PANews]. Авторське право належить оригінальному автору [Зен]. Якщо у вас є питання щодо повторного опублікування, будь ласка, зв'яжіться зGate Learnкоманда, яка вирішить це через відповідні канали.

2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, є виключно власністю автора і не є інвестиційними порадами.

3. Інші мовні версії цієї статті були перекладені командою Gate Learn. Не відтворюйте, не поширюйте або не плагіюйте ці перекладені версії без належного посилання наGate.io.