Orijinal yazar: Daniel Barabander, Variant Genel Danışmanı & Yatırım Ortağı
Derleyen: Zen, PANews
11 Nisan 2023'te, AI girişimi Plastic Labs, Variant, White Star Capital ve Betaworks'ün liderliğinde 5.35 milyon dolarlık Pre-Seed finansman turunu tamamladığını duyurdu. Mozilla Ventures, Seed Club Ventures, Greycroft ve Differential Ventures gibi yatırımcılar da katıldı. Melek yatırımcılar arasında Scott Moore, NiMA Asghari ve Thomas Howell yer alıyor. Bu arada, kişiselleştirilmiş AI kimlik platformu "Honcho" resmi olarak erken erişime açıldı.
Proje henüz erken aşamada olduğu için, tüm kripto topluluğu Plastic Labs hakkında pek bir bilgiye sahip değil. Plastic, X üzerinden yukarıda belirtilen finansman ve ürün dinamiklerini yayınlarken, ana yatırımcı Variant'ın baş danışmanı ve yatırım ortağı Daniel Barabander de bu proje ve Honcho platformu hakkında derinlemesine bir analiz yaptı. Aşağıda orijinal metin içeriği bulunmaktadır:
Büyük ölçekli dil modellerinin (LLM) uygulamalarının yükselişiyle birlikte, yazılımlara olan kişiselleştirme talebi hiç olmadığı kadar arttı. Bu tür uygulamalar doğal dile dayanıyor ve doğal dil, konuştuğunuz kişiye göre değişiyor - tıpkı büyüklerinize matematik kavramlarını açıklarken kullandığınız ifadelerin, ebeveynlerinize veya çocuklarınıza açıklarken kullandığınız ifadelerden tamamen farklı olması gibi. Dinleyicilere göre ifadenizi sezgisel olarak ayarlarsınız ve LLM uygulamalarının da kiminle konuştuğunu "anlaması" gerekiyor ki daha etkili ve daha uygun bir deneyim sağlayabilsin. İster iyileştirici asistan, ister hukuk asistanı, ister alışveriş arkadaşı olsun, bu uygulamaların gerçek anlamda kullanıcıyı anlaması, değerlerini ortaya çıkarabilmeleri için gereklidir.
Ancak, kişiselleştirmenin çok önemli olmasına rağmen, şu anda LLM uygulamalarının çağırabileceği hazır bir çözüm mevcut değil. Geliştiriciler genellikle kullanıcı verilerini (genellikle oturum günlükleri şeklinde) depolamak için çeşitli dağınık sistemler inşa etmek zorunda kalıyorlar ve ihtiyaç duyulduğunda bunları geri çağırıyorlar. Sonuç olarak, her ekip tekerleği yeniden icat etmek zorunda kalıyor ve kullanıcı durumu yönetim altyapısını kendileri kurmak zorunda kalıyor. Daha da kötüsü, kullanıcı etkileşimlerini vektör veritabanına kaydetmek ve geri çağırma güçlendirmesi (RAG) gibi yöntemler yalnızca geçmiş diyalogları hatırlamakla kalıyor, kullanıcıların ilgi alanlarını, iletişim tercihlerini, ton hassasiyetleri gibi derin özelliklerini gerçek anlamda kavrayamıyor.
Plastic Labs, geliştiricilerin herhangi bir LLM uygulaması için kişiselleştirmeyi kolayca gerçekleştirmesine olanak tanıyan, tak-çalıştır bir platform olan Honcho'yu tanıttı. Geliştiricilerin artık kullanıcı modellemesine sıfırdan başlamalarına gerek yok; sadece Honcho'yu entegre ederek hemen zengin ve kalıcı kullanıcı profillerine ulaşabiliyorlar. Bu profiller, ekibin bilişsel bilimlerin ileri teknolojilerinden faydalanması sayesinde geleneksel yöntemlerden daha ayrıntılıdır; ayrıca doğal dil sorgularını destekleyerek LLM'nin kullanıcı profillerine göre kendi davranışını esnek bir şekilde ayarlamasına imkan tanır.
Kullanıcı durumu yönetiminin karmaşıklığını soyutlayarak, Honcho LLM uygulamaları için aşırı kişiselleştirilmiş deneyimlerin yeni bir seviyesini açıyor. Ancak bunun anlamı bununla sınırlı değil: Honcho tarafından üretilen zengin soyut kullanıcı profilleri, uzun zamandır gerçekleştirilemeyen "paylaşılan kullanıcı veri katmanı" için de bir zemin hazırlıyor.
Tarihsel olarak, paylaşılan kullanıcı veri katmanının başarısız olmasının başlıca iki nedeni vardır:
İnteroperabilite Eksikliği: Geleneksel kullanıcı verileri genellikle belirli uygulama senaryolarına son derece bağımlıdır ve uygulamalar arasında taşınması zordur. Örneğin, sosyal medya platformu X, takip ettiğiniz kişilere göre bir model oluşturabilir, ancak bu veri LinkedIn'deki profesyonel ağınız için hiçbir fayda sağlamaz. Oysa Honcho, daha üst düzey ve daha genel kullanıcı özelliklerini yakalayarak herhangi bir LLM uygulamasına sorunsuz bir şekilde hizmet verebilir. Örneğin, bir rehberlik uygulaması sizin için en iyi öğrenme yönteminin analojik öğrenme olduğunu keşfederse, tedavi asistanınız bu bilgiyi kullanarak sizinle daha etkili bir şekilde iletişim kurabilir, her ne kadar iki senaryo tamamen farklı olsa da.
Anlık Değer Eksikliği**:** Geçmişteki paylaşım katmanları, erken aşamalarda uygulama erişimini çekmekte zorlanıyordu çünkü bunlar öncülere somut yararlar sağlamıyordu ve öncüler, değerli kullanıcı verileri üretmenin anahtarıydı. Honcho ise farklıdır: İlk olarak, tek bir uygulamanın kullanıcı durum yönetimi olan "birinci sorun"u çözer; yeterince uygulama eriştiğinde, ağ etkisi doğal olarak "ikinci sorun"un çözümünü getirir - yeni uygulamalar, kişiselleştirme için erişmekle kalmaz, aynı zamanda başlangıçtan itibaren mevcut paylaşım kullanıcı profillerini kullanarak soğuk başlangıç sıkıntısını tamamen ortadan kaldırır.
Şu anda, Honcho'nun kapalı beta bekleme listesinde yüzlerce uygulama bulunmaktadır ve bu uygulamalar bağımlılık koçları, eğitim partnerleri, okuma asistanları ve e-ticaret araçları gibi çeşitli senaryoları kapsamaktadır. Ekibin stratejisi: Öncelikle uygulamaların kullanıcı durum yönetimi konusundaki temel zorluğu çözmeye odaklanmak, ardından katılmak isteyen uygulamalara aşamalı olarak paylaşım veri katmanını sunmaktır. Bu katman, şifreleme teşvikleri kullanacaktır: erken erişim sağlayan uygulamalar, bu katmanın sahiplik paylarını alacak ve böylece büyüme kârlarından yararlanacaktır; aynı zamanda, blok zinciri mekanizması da sistemin merkeziyetsiz ve güvenilir olmasını sağlayarak, merkezi kuruluşların değer çekme veya rakip ürün geliştirme endişelerini ortadan kaldıracaktır.
Variant, Plastic Labs ekibinin LLM destekli yazılımlardaki kullanıcı modelleme zorluklarını aşma yeteneğine sahip olduğuna inanıyor. Bu ekip, kişiselleştirilmiş sohbet rehberliği uygulaması Bloom'u geliştirirken, uygulamanın öğrencileri ve öğrenme stillerini gerçekten anlayamama sorununu bizzat deneyimledi. Honcho, tam da bu içgörüye dayanarak ortaya çıkmış olup, her LLM uygulama geliştiricisinin karşılaşacağı sıkıntıyı çözmektedir.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Kişiselleştirilmiş AI kimlik platformu Honcho'ya genel bakış: LLM uygulamalarının süper kişiselleştirilmiş deneyimleri nasıl başlatacağı?
Orijinal yazar: Daniel Barabander, Variant Genel Danışmanı & Yatırım Ortağı
Derleyen: Zen, PANews
11 Nisan 2023'te, AI girişimi Plastic Labs, Variant, White Star Capital ve Betaworks'ün liderliğinde 5.35 milyon dolarlık Pre-Seed finansman turunu tamamladığını duyurdu. Mozilla Ventures, Seed Club Ventures, Greycroft ve Differential Ventures gibi yatırımcılar da katıldı. Melek yatırımcılar arasında Scott Moore, NiMA Asghari ve Thomas Howell yer alıyor. Bu arada, kişiselleştirilmiş AI kimlik platformu "Honcho" resmi olarak erken erişime açıldı.
Proje henüz erken aşamada olduğu için, tüm kripto topluluğu Plastic Labs hakkında pek bir bilgiye sahip değil. Plastic, X üzerinden yukarıda belirtilen finansman ve ürün dinamiklerini yayınlarken, ana yatırımcı Variant'ın baş danışmanı ve yatırım ortağı Daniel Barabander de bu proje ve Honcho platformu hakkında derinlemesine bir analiz yaptı. Aşağıda orijinal metin içeriği bulunmaktadır:
Büyük ölçekli dil modellerinin (LLM) uygulamalarının yükselişiyle birlikte, yazılımlara olan kişiselleştirme talebi hiç olmadığı kadar arttı. Bu tür uygulamalar doğal dile dayanıyor ve doğal dil, konuştuğunuz kişiye göre değişiyor - tıpkı büyüklerinize matematik kavramlarını açıklarken kullandığınız ifadelerin, ebeveynlerinize veya çocuklarınıza açıklarken kullandığınız ifadelerden tamamen farklı olması gibi. Dinleyicilere göre ifadenizi sezgisel olarak ayarlarsınız ve LLM uygulamalarının da kiminle konuştuğunu "anlaması" gerekiyor ki daha etkili ve daha uygun bir deneyim sağlayabilsin. İster iyileştirici asistan, ister hukuk asistanı, ister alışveriş arkadaşı olsun, bu uygulamaların gerçek anlamda kullanıcıyı anlaması, değerlerini ortaya çıkarabilmeleri için gereklidir.
Ancak, kişiselleştirmenin çok önemli olmasına rağmen, şu anda LLM uygulamalarının çağırabileceği hazır bir çözüm mevcut değil. Geliştiriciler genellikle kullanıcı verilerini (genellikle oturum günlükleri şeklinde) depolamak için çeşitli dağınık sistemler inşa etmek zorunda kalıyorlar ve ihtiyaç duyulduğunda bunları geri çağırıyorlar. Sonuç olarak, her ekip tekerleği yeniden icat etmek zorunda kalıyor ve kullanıcı durumu yönetim altyapısını kendileri kurmak zorunda kalıyor. Daha da kötüsü, kullanıcı etkileşimlerini vektör veritabanına kaydetmek ve geri çağırma güçlendirmesi (RAG) gibi yöntemler yalnızca geçmiş diyalogları hatırlamakla kalıyor, kullanıcıların ilgi alanlarını, iletişim tercihlerini, ton hassasiyetleri gibi derin özelliklerini gerçek anlamda kavrayamıyor.
Plastic Labs, geliştiricilerin herhangi bir LLM uygulaması için kişiselleştirmeyi kolayca gerçekleştirmesine olanak tanıyan, tak-çalıştır bir platform olan Honcho'yu tanıttı. Geliştiricilerin artık kullanıcı modellemesine sıfırdan başlamalarına gerek yok; sadece Honcho'yu entegre ederek hemen zengin ve kalıcı kullanıcı profillerine ulaşabiliyorlar. Bu profiller, ekibin bilişsel bilimlerin ileri teknolojilerinden faydalanması sayesinde geleneksel yöntemlerden daha ayrıntılıdır; ayrıca doğal dil sorgularını destekleyerek LLM'nin kullanıcı profillerine göre kendi davranışını esnek bir şekilde ayarlamasına imkan tanır.
Kullanıcı durumu yönetiminin karmaşıklığını soyutlayarak, Honcho LLM uygulamaları için aşırı kişiselleştirilmiş deneyimlerin yeni bir seviyesini açıyor. Ancak bunun anlamı bununla sınırlı değil: Honcho tarafından üretilen zengin soyut kullanıcı profilleri, uzun zamandır gerçekleştirilemeyen "paylaşılan kullanıcı veri katmanı" için de bir zemin hazırlıyor.
Tarihsel olarak, paylaşılan kullanıcı veri katmanının başarısız olmasının başlıca iki nedeni vardır:
Şu anda, Honcho'nun kapalı beta bekleme listesinde yüzlerce uygulama bulunmaktadır ve bu uygulamalar bağımlılık koçları, eğitim partnerleri, okuma asistanları ve e-ticaret araçları gibi çeşitli senaryoları kapsamaktadır. Ekibin stratejisi: Öncelikle uygulamaların kullanıcı durum yönetimi konusundaki temel zorluğu çözmeye odaklanmak, ardından katılmak isteyen uygulamalara aşamalı olarak paylaşım veri katmanını sunmaktır. Bu katman, şifreleme teşvikleri kullanacaktır: erken erişim sağlayan uygulamalar, bu katmanın sahiplik paylarını alacak ve böylece büyüme kârlarından yararlanacaktır; aynı zamanda, blok zinciri mekanizması da sistemin merkeziyetsiz ve güvenilir olmasını sağlayarak, merkezi kuruluşların değer çekme veya rakip ürün geliştirme endişelerini ortadan kaldıracaktır.
Variant, Plastic Labs ekibinin LLM destekli yazılımlardaki kullanıcı modelleme zorluklarını aşma yeteneğine sahip olduğuna inanıyor. Bu ekip, kişiselleştirilmiş sohbet rehberliği uygulaması Bloom'u geliştirirken, uygulamanın öğrencileri ve öğrenme stillerini gerçekten anlayamama sorununu bizzat deneyimledi. Honcho, tam da bu içgörüye dayanarak ortaya çıkmış olup, her LLM uygulama geliştiricisinin karşılaşacağı sıkıntıyı çözmektedir.