Singkatnya;

Dengan munculnya model bahasa besar, permintaan untuk personalisasi dalam perangkat lunak semakin meningkat seperti tidak pernah terjadi sebelumnya. Platform Honcho yang baru diluncurkan oleh Plastic Labs mengadopsi pendekatan “plug-and-play” yang dirancang untuk menyelamatkan pengembang dari mengulang kembali membuat hal yang sudah ada saat membangun profil pengguna yang mendalam.

Pada 11 April (waktu Beijing), startup AI Plastic Labs mengumumkan bahwa mereka telah menyelesaikan putaran pendanaan Pra-Benih sebesar $5.35 juta. Putaran tersebut dipimpin oleh Variant, White Star Capital, dan Betaworks, dengan partisipasi dari Mozilla Ventures, Seed Club Ventures, Greycroft, dan Differential Ventures. Investor malaikat termasuk Scott Moore, NiMA Asghari, dan Thomas Howell. Pada saat yang sama, platform identitas AI personalisasi mereka, Honcho, telah resmi dibuka untuk akses awal.

Karena proyek ini masih dalam tahap awal, komunitas kripto lebih luas hanya sedikit mengetahui tentang Plastic Labs. Seiring dengan pengumuman Plastic di X mengenai pendanaan dan peluncuran produknya, Daniel Barabander—Mitra Umum dan Penasihat dari investor utama Variant—membagikan analisis mendalam tentang proyek dan platform Honcho-nya. Konten asli adalah sebagai berikut:

Dengan meningkatnya aplikasi model bahasa besar (LLM), permintaan untuk personalisasi dalam perangkat lunak telah tumbuh secara luar biasa. Aplikasi-aplikasi ini bergantung pada bahasa alami, yang berubah tergantung pada orang yang Anda ajak bicara—mirip dengan cara Anda menjelaskan konsep matematika secara berbeda kepada kakek nenek Anda daripada kepada orang tua atau anak-anak Anda. Anda secara naluriah menyesuaikan komunikasi Anda dengan audiens Anda, dan aplikasi-aplikasi LLM harus dengan cara yang sama “memahami” dengan siapa mereka berinteraksi untuk memberikan pengalaman yang lebih efektif dan personal. Apakah itu asisten terapi, penasihat hukum, atau teman berbelanja, aplikasi-aplikasi ini memerlukan pemahaman yang sebenarnya tentang pengguna untuk memberikan nilai yang nyata.

Namun, meskipun pentingnya personalisasi, saat ini tidak ada solusi siap pakai yang dapat dengan mudah diintegrasikan oleh aplikasi LLM. Pengembang seringkali harus menyatukan sistem-sistem yang terfragmentasi untuk menyimpan data pengguna (biasanya dalam bentuk log percakapan) dan mengambilnya saat diperlukan. Akibatnya, setiap tim akhirnya harus menciptakan kembali solusi yang sudah ada dengan membangun infrastruktur manajemen status pengguna mereka sendiri. Lebih buruk lagi, teknik seperti menyimpan interaksi pengguna dalam database vektor dan menggunakan generasi yang diperkaya dengan pencarian (RAG) hanya dapat mengingat percakapan sebelumnya—mereka tidak dapat menangkap aspek lebih dalam dari pengguna seperti minat, preferensi komunikasi, atau sensitivitas terhadap nada.

Plastic Labs memperkenalkan Honcho, platform plug-and-play yang memungkinkan pengembang untuk dengan mudah mengimplementasikan personalisasi dalam aplikasi LLM apa pun. Alih-alih membangun pemodelan pengguna dari awal, pengembang dapat mengintegrasikan Honcho untuk segera mengakses profil pengguna yang kaya dan persisten. Profil-profil ini melampaui apa yang dapat ditawarkan metode tradisional, berkat penggunaan teknik terkini dari ilmu kognitif oleh tim. Selain itu, mereka mendukung kueri bahasa alami, memungkinkan LLM untuk secara dinamis menyesuaikan perilakunya berdasarkan profil pengguna.

Dengan menyederhanakan kompleksitas manajemen status pengguna, Honcho membuka pintu ke tingkat baru pengalaman hyper-personalisasi untuk aplikasi LLM. Namun signifikansinya jauh melampaui itu: profil pengguna yang kaya dan abstrak yang dihasilkan oleh Honcho juga membuka jalan bagi lapisan data pengguna bersama yang selama ini sulit ditemukan.

Secara historis, upaya untuk membangun lapisan data pengguna bersama telah gagal karena dua alasan utama:

• Kurangnya interoperabilitas: Data pengguna tradisional sering kali terkait erat dengan konteks aplikasi tertentu, sehingga sulit untuk bermigrasi di antara aplikasi. Misalnya, platform sosial seperti X mungkin memodelkan pengguna berdasarkan siapa yang mereka ikuti, namun data tersebut menawarkan sedikit nilai bagi jaringan profesional seseorang di LinkedIn. Honcho, di sisi lain, menangkap ciri pengguna yang lebih tinggi dan lebih universal yang dapat dengan lancar melayani aplikasi LLM apa pun. Sebagai contoh, jika aplikasi bimbingan belajar menemukan bahwa seorang pengguna belajar paling baik melalui analogi, asisten terapi dapat memanfaatkan wawasan yang sama untuk berkomunikasi lebih efektif—meskipun kedua kasus penggunaan tersebut benar-benar berbeda.

• Kekurangan nilai segera: Lapisan berbagi sebelumnya kesulitan menarik pengguna aplikasi awal karena mereka tidak memberikan manfaat yang nyata di awal, meskipun pengguna awal ini sangat penting untuk menghasilkan data berharga. Honcho mengambil pendekatan yang berbeda: pertama-tama memecahkan "masalah utama" dari manajemen status pengguna untuk aplikasi individu. Ketika lebih banyak aplikasi bergabung, efek jaringan yang dihasilkan secara alami mengatasi "masalah sekunder." Aplikasi baru tidak hanya akan diintegrasikan untuk personalisasi tetapi juga akan mendapatkan manfaat dari profil pengguna bersama yang sudah ada sejak awal, dengan cara menghindari masalah "cold-start" sepenuhnya.

Saati ini, ratusan aplikasi berada dalam daftar tunggu untuk beta tertutup Honcho, mencakup kasus penggunaan seperti pelatihan pemulihan kecanduan, pendamping pendidikan, asisten membaca, dan alat e-commerce. Strategi tim adalah untuk terlebih dahulu fokus pada memecahkan tantangan inti dari manajemen status pengguna untuk aplikasi, dan kemudian secara bertahap meluncurkan lapisan data bersama ke aplikasi yang berpartisipasi. Lapisan ini akan didukung oleh insentif terenkripsi: integrator awal akan menerima saham kepemilikan dalam lapisan data dan mendapatkan manfaat dari pertumbuhannya. Selain itu, mekanisme blockchain akan memastikan sistem tetap terdesentralisasi dan dapat dipercaya, mengurangi kekhawatiran tentang entitas terpusat mengekstrak nilai atau membangun produk bersaing.

Variant percaya bahwa tim Plastic Labs berada dalam posisi yang baik untuk mengatasi tantangan pemodelan pengguna dalam perangkat lunak yang didorong oleh LL. Tim ini mengalami titik nyeri ini secara langsung saat membangun Bloom, aplikasi bimbingan berbasis obrolan yang dipersonalisasi, dan menyadari bahwa aplikasi tersebut tidak benar-benar memahami siswa atau gaya belajar mereka. Honcho lahir dari wawasan ini—dan sekarang mengatasi masalah yang akan dihadapi setiap pengembang aplikasi LL.

Pemberitahuan:

1. Artikel ini diterbitkan ulang dari [PANews]. Hak cipta milik penulis asli [ Zen]. Jika Anda memiliki kekhawatiran tentang republication, silakan hubungiGate Belajartim, yang akan menanganinya melalui saluran yang tepat.

2. Penafian: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi.

3. Versi bahasa lain dari artikel ini telah diterjemahkan oleh tim Gate Learn. Jangan memperbanyak, mendistribusikan, atau menjiplak versi terjemahan ini tanpa atribusi yang tepat kepadaGate.io.