Plurai wprowadza symulację samochodów autonomicznych do agentów AI

Agenci AI są obecnie uwięzieni w czyśćcu „od demo do produkcji”. Choć świetnie radzą sobie z imponującymi, odizolowanymi zadaniami, dane porównawcze – takie jak LiveBench 2.0 – pokazują, że nawet najlepsze modele, jak Claude Fable 5.2 czy ChatGPT-6 Astra, mają trudności z osiągnięciem 85% dokładności w złożonych, wieloetapowych procesach. Dla właściciela małej firmy oznacza to, że agent, który potrafi zarezerwować lot, może zawieść w momencie, gdy napotka niestandardową politykę wydatków firmy.

Co się wydarzyło

Plurai, startup założony przez weteranów branży pojazdów autonomicznych, pozyskał 13 milionów dolarów w rundzie zalążkowej, aby zająć się tą luką w niezawodności. Jak podaje TechCrunch, firma stosuje te same techniki symulacji, które wykorzystywano do trenowania samochodów autonomicznych, w świecie korporacyjnych agentów AI. Współzałożyciele Ilan Kadar i Elad Levi, którzy wcześniej pracowali z Waymo nad kompleksowym uczeniem głębokim, twierdzą, że agenci AI to w gruncie rzeczy systemy probabilistyczne, które zawodzą, gdy napotykają „przypadki brzegowe” – niechlujne, niestandardowe scenariusze nieodłącznie związane z działalnością biznesową.

Plurai tworzy „cyfrowego bliźniaka” wewnętrznych systemów firmy, w tym jej baz wiedzy i narzędzi programowych. Mapując każdy możliwy przepływ interakcji, platforma generuje dane syntetyczne w celu trenowania i testowania agentów pod kątem tych przypadków brzegowych. Firma twierdzi, że pozwala to na dotrenowanie mniejszych modeli o otwartych wagach, które mogą przewyższać modele wiodące w określonych zadaniach przy ułamku kosztów. Podejście startupu wspiera badacz Google DeepMind, Reah Miyara, który zauważył, że modele wiodące często nie pasują do specyficznych danych firmy, co czyni je zarówno zawodnymi, jak i finansowo nieopłacalnymi.

Dlaczego ma to znaczenie dla małych firm

Jeśli prowadzisz mały zespół, prawdopodobnie odczuwasz już „podatek od modeli wiodących”. Płacisz za najinteligentniejsze dostępne modele, a mimo to wciąż musisz je nadzorować, ponieważ nie „znają” one twoich specyficznych zasad biznesowych. Zwrot Plurai w stronę trenowania mniejszych, wyspecjalizowanych modeli to jedyna droga do uzyskania rzeczywistego zwrotu z inwestycji (ROI) dla średniej wielkości operacji. Poleganie na ogromnym, ogólnym modelu w obsłudze unikalnych wewnętrznych procesów jest jak używanie młota do powieszenia ramki na zdjęcia – jest to drogie, niedokładne i grozi zniszczeniem ściany.

Koncentrując się na danych syntetycznych i symulacji, Plurai w zasadzie oferuje sposób na zbudowanie „specjalistycznego” agenta, który rozumie specyfikę Twojej firmy bez potrzeby posiadania ogromnego zespołu inżynierów. Jeśli ich zapewnienia się sprawdzą, może to przenieść ciężar z nadzoru ludzkiego na zautomatyzowaną weryfikację opartą na symulacji, ostatecznie pozwalając agentom na obsługę zadań takich jak zapytania międzybazowe czy złożone egzekwowanie polityk bez ciągłej ręcznej interwencji.

Co zrobić w tym tygodniu

1. Przeprowadź audyt swoich obecnych procesów agentowych, aby zidentyfikować trzy główne „przypadki brzegowe” – konkretne scenariusze, w których Twoja sztuczna inteligencja konsekwentnie wymaga ręcznej korekty.
2. Zmapuj wewnętrzne źródła danych i polityki firmy, z którymi Twoi agenci obecnie mają trudności, ponieważ będą one głównymi danymi wejściowymi dla przyszłego szkolenia opartego na symulacji.
3. Oceń swoje obecne miesięczne wydatki na API modeli wiodących (takich jak Claude czy GPT), aby ustalić, czy obecne podejście „ogólne” jest rzeczywiście opłacalne w porównaniu z uzyskiwaną wydajnością.

Źródła

• Plurai wants to help AI agents work better using the same approach that helped get self-driving cars to roads — TechCrunch - AI