ВЫКЛ;ЧТ

С появлением больших языковых моделей спрос на персонализацию в программном обеспечении растет как никогда ранее. Недавно запущенная платформа Honcho от Plastic Labs принимает подход "подключи и работай", который призван спасти разработчиков от необходимости пересоздавать сущности при создании глубоких профилей пользователей.

11 апреля (по времени Пекина) стартап по искусственному интеллекту Plastic Labs объявил о завершении раунда Pre-Seed финансирования на сумму $5.35 млн. Этот раунд возглавили Variant, White Star Capital и Betaworks, с участием Mozilla Ventures, Seed Club Ventures, Greycroft и Differential Ventures. Среди ангельских инвесторов были Скотт Мур, НиМа Асгари и Томас Хауэлл. В то же время его персонализированная платформа идентификации на основе искусственного интеллекта, Honcho, официально открыта для предварительного доступа.

Поскольку проект находится на ранних стадиях, широкое крипто-сообщество знает очень мало о Plastic Labs. Вместе с объявлением Plastic на X о его финансировании и запуске продукта Дэниэл Барабандер - генеральный партнер и советник ведущего инвестора Variant - поделился глубоким анализом проекта и его платформы Honcho. Оригинальное содержание выглядит следующим образом:

С появлением приложений на основе больших языковых моделей (LLM) спрос на персонализацию в программном обеспечении вырос несравненно. Эти приложения опираются на естественный язык, который меняется в зависимости от того, с кем вы разговариваете - так же, как вы объяснили бы математическое понятие по-другому своим бабушкам, чем своим родителям или детям. Вы инстинктивно подстраиваете свое общение под аудиторию, и приложения LLM должны аналогично «понимать», с кем они взаимодействуют, чтобы обеспечить более эффективные и персонализированные впечатления. Будь то терапевтический помощник, юридический советник или покупательский спутник, этим приложениям необходимо истинное понимание пользователя, чтобы приносить реальную пользу.

Тем не менее, несмотря на критическое значение персонализации, в настоящее время нет готовых решений, которые LLM-приложения могли бы легко интегрировать. Разработчики часто вынуждены собирать фрагментированные системы для хранения пользовательских данных (обычно в виде журналов переписки) и извлечения их при необходимости. В результате каждая команда вынуждена изобретать велосипед, создавая собственную инфраструктуру управления состоянием пользователя. Что еще хуже, техники, такие как хранение пользовательских взаимодействий в векторной базе данных и использование retrieval-augmented generation (RAG), могут только вызвать в памяти прошлые беседы, они не могут захватить более глубокие аспекты пользователя, такие как интересы, предпочтения в общении или чувствительность к тону.

Plastic Labs представляет Honcho, платформу plug-and-play, которая позволяет разработчикам легко реализовывать персонализацию в любом приложении LLM. Вместо создания пользовательской модели с нуля разработчики могут просто интегрировать Honcho, чтобы мгновенно получить доступ к богатым и постоянным профилям пользователей. Эти профили выходят за рамки того, что могут предложить традиционные методы, благодаря использованию командой передовых техник из когнитивной науки. Кроме того, они поддерживают запросы естественного языка, что позволяет LLM динамически адаптировать свое поведение на основе профиля пользователя.

Абстрагируя сложность управления состоянием пользователя, Honcho открывает дверь к новому уровню гиперперсонализированных впечатлений для приложений LLM. Но его значение простирается гораздо дальше: богатые и абстрактные профили пользователей, созданные Honcho, также прокладывают путь к долгожданному "общему уровню данных пользователя."

Исторически попытки создать общий уровень данных пользователя потерпели неудачу по двум основным причинам:

• Отсутствие взаимодействия: Традиционные пользовательские данные часто тесно связаны с конкретными контекстами приложений, что затрудняет их миграцию между приложениями. Например, социальная платформа, подобная Х, может моделировать пользователей на основе того, кого они читают, но эти данные мало что значат для их профессиональной сети на LinkedIn. С другой стороны, Honcho захватывает данные более высокого порядка и более универсальные характеристики пользователей, которые могут легко обслуживать любое приложение LL. Например, если приложение по репетиторству обнаруживает, что пользователь лучше всего учится через аналогии, помощник по терапии может использовать этот же анализ для более эффективного общения, даже если эти два случая использования совершенно различны.

• Отсутствие мгновенной ценности: Предыдущие общие слои боролись с тем, чтобы привлечь ранних пользователей приложений, потому что они не предоставляли конкретных выгод с самого начала, хотя именно эти ранние пользователи были ключевыми для генерации ценных данных. Honcho идет другим путем: сначала он решает «основную проблему» управления состоянием пользователя для отдельных приложений. По мере того как присоединяются новые приложения, возникающий сетевой эффект естественным образом решает «вторичную проблему». Новые приложения будут не только интегрироваться для персонализации, но также будут получать выгоду от существующих общих профилей пользователей с самого начала, полностью обходя проблему холодного старта.

В настоящее время сотни приложений находятся в списке ожидания закрытой бета-версии Honcho, охватывая такие случаи использования, как коучинг по восстановлению от зависимости, образовательные компаньоны, помощники по чтению и инструменты электронной коммерции. Стратегия команды заключается в том, чтобы сначала сосредоточиться на решении основной проблемы управления состоянием пользователя для приложений, а затем постепенно запустить общий уровень данных для участвующих приложений. Этот уровень будет поддерживаться зашифрованными стимулами: ранние интеграторы получат доли в собственности на уровне данных и выиграют от его роста. Кроме того, механизмы блокчейна обеспечат децентрализацию и доверие системы, снимая опасения относительно централизованных сущностей, извлекающих ценность или создающих конкурирующие продукты.

Variant считает, что команда Plastic Labs хорошо подготовлена к решению проблемы моделирования пользователей в программном обеспечении, основанном на LL. Команда испытала эту боль на себе, создавая приложение Bloom - персонализированное чат-приложение для обучения, и поняла, что приложение действительно не могло понять студентов или их стили обучения. Honcho родился из этого понимания - и теперь он решает проблему, с которой столкнется каждый разработчик приложений на основе LL.

Ограничение ответственности:

1. Эта статья перепечатана с [PANews]. Авторские права принадлежат оригинальному автору [Зен]. Если у вас есть вопросы по поводу повторной публикации, пожалуйста, свяжитесь сGate Learnкоманда, которая займется этим через правильные каналы.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, являются исключительно мнениями автора и не являются инвестиционными советами.

3. Другие языковые версии этой статьи были переведены командой Gate Learn. Не воспроизводите, не распространяйте и не плагиатируйте эти переведенные версии без должной ссылки наGate.io.