Το Dust χρησιμοποιεί μεγάλα μοντέλα γλώσσας σε εσωτερικά δεδομένα για να βελτιώσει την παραγωγικότητα της ομάδας

Σκόνη

είναι ένα νέο

Εκκίνηση τεχνητής νοημοσύνης με έδρα τη Γαλλία, που εργάζεται για τη βελτίωση της παραγωγικότητας της ομάδας, καταστρέφοντας εσωτερικά σιλό, ανακαλύπτοντας σημαντικές γνώσεις και παρέχοντας εργαλεία για τη δημιουργία προσαρμοσμένων εσωτερικών εφαρμογών. Στον πυρήνα της, η Dust χρησιμοποιεί μοντέλα μεγάλων γλωσσών (LLM) σε εσωτερικά δεδομένα της εταιρείας για να δώσει νέες υπερεξουσίες στα μέλη της ομάδας.

Συνιδρυτής των Gabriel Hubert και Stanislas Polu, το ζευγάρι γνωρίζεται για περισσότερο από μια δεκαετία. Η πρώτη τους startup που ονομάζεται Totems εξαγοράστηκε από την Stripe το 2015. Μετά από αυτό, και οι δύο πέρασαν μερικά χρόνια δουλεύοντας για τη Stripe πριν χωρίσουν τους δρόμους τους.

Ο Stanislas Polu εντάχθηκε στο OpenAI όπου πέρασε τρία χρόνια δουλεύοντας στις συλλογιστικές ικανότητες των LLM ενώ ο Gabriel Hubert έγινε επικεφαλής του προϊόντος στο

Άλαν

.

Συνεργάστηκαν για άλλη μια φορά για να δημιουργήσουν το Dust. Σε αντίθεση με πολλές νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης, η Dust δεν εστιάζει στη δημιουργία νέων μεγάλων μοντέλων γλώσσας. Αντίθετα, η εταιρεία θέλει να δημιουργήσει εφαρμογές πάνω από LLM που αναπτύχθηκαν από OpenAI, Cohere, AI21 κ.λπ.

Η ομάδα εργάστηκε αρχικά σε ένα

πλατφόρμα

που μπορεί να χρησιμοποιηθεί για το σχεδιασμό και την ανάπτυξη μεγάλων γλωσσικών μοντέλων εφαρμογών. Στη συνέχεια, έχει επικεντρώσει τις προσπάθειές της σε μία περίπτωση χρήσης συγκεκριμένα — τη συγκέντρωση και την ευρετηρίαση εσωτερικών δεδομένων, ώστε να μπορούν να χρησιμοποιηθούν από LLM.

Από ένα εσωτερικό ChatGPT σε λογισμικό επόμενης γενιάς

Υπάρχουν μερικές υποδοχές σύνδεσης που ανακτούν συνεχώς εσωτερικά δεδομένα από το Notion, το Slack, το Github και το Google Drive. Αυτά τα δεδομένα στη συνέχεια ευρετηριάζονται και μπορούν να χρησιμοποιηθούν για σημασιολογικά ερωτήματα αναζήτησης. Όταν ένας χρήστης θέλει να κάνει κάτι με μια εφαρμογή Dust-powered, το Dust θα βρει τα σχετικά εσωτερικά δεδομένα, θα τα χρησιμοποιήσει ως το πλαίσιο ενός LLM και θα επιστρέψει μια απάντηση.

Για παράδειγμα, ας υποθέσουμε ότι μόλις μπήκατε σε μια εταιρεία και εργάζεστε σε ένα έργο που ξεκίνησε πριν από λίγο καιρό. Εάν η εταιρεία σας προωθεί τη διαφάνεια της επικοινωνίας, θα θέλετε να βρείτε πληροφορίες στα υπάρχοντα εσωτερικά δεδομένα. Αλλά η εσωτερική βάση γνώσεων μπορεί να μην είναι ενημερωμένη. Ή μπορεί να είναι δύσκολο να βρεθεί ο λόγος για τον οποίο γίνεται κάτι με αυτόν τον τρόπο, καθώς έχει συζητηθεί σε ένα αρχειοθετημένο κανάλι Slack.

Το Dust δεν είναι απλώς ένα καλύτερο εργαλείο εσωτερικής αναζήτησης, καθώς δεν επιστρέφει απλώς αποτελέσματα αναζήτησης. Μπορεί να βρει πληροφορίες σε πολλές πηγές δεδομένων και να μορφοποιήσει τις απαντήσεις με έναν τρόπο που είναι πολύ πιο χρήσιμος για εσάς. Μπορεί να χρησιμοποιηθεί ως ένα είδος εσωτερικού ChatGPT, αλλά θα μπορούσε επίσης να χρησιμοποιηθεί ως βάση νέων εσωτερικών εργαλείων.

«Είμαστε πεπεισμένοι ότι η διεπαφή φυσικής γλώσσας θα διαταράξει το λογισμικό», μου είπε ο Gabriel Hubert. «Σε πέντε χρόνια, θα ήταν απογοητευτικό αν πρέπει ακόμα να πάτε και να κάνετε κλικ στην επεξεργασία, τις ρυθμίσεις, τις προτιμήσεις, για να αποφασίσετε ότι το λογισμικό σας θα πρέπει να συμπεριφέρεται διαφορετικά. Βλέπουμε πολύ περισσότερο το λογισμικό μας να προσαρμόζεται στις ιδιαίτερες ανάγκες σας, επειδή έτσι είστε, αλλά και επειδή έτσι είναι η ομάδα σας — επειδή έτσι είναι η εταιρεία σας».

Η εταιρεία συνεργάζεται με συνεργάτες σχεδιασμού για διάφορους τρόπους υλοποίησης και συσκευασίας της πλατφόρμας Dust. «Πιστεύουμε ότι υπάρχουν πολλά διαφορετικά προϊόντα που μπορούν να δημιουργηθούν σε αυτόν τον τομέα των εταιρικών δεδομένων, των εργαζομένων στη γνώση και των μοντέλων που θα μπορούσαν να χρησιμοποιηθούν για την υποστήριξή τους», μου είπε ο Stanislas Polu.

Είναι ακόμα νωρίς για τη Dust, αλλά η startup διερευνά ένα ενδιαφέρον πρόβλημα. Υπάρχουν πολλές προκλήσεις μπροστά σε ό,τι αφορά τη διατήρηση δεδομένων, τις ψευδαισθήσεις και όλα τα ζητήματα που έρχονται με τα LLM. Ίσως η ψευδαίσθηση να γίνει λιγότερο πρόβλημα καθώς εξελίσσονται τα LLM. Ίσως η Dust καταλήξει να δημιουργήσει το δικό της LLM για λόγους απορρήτου δεδομένων.

Η Dust συγκέντρωσε 5,5 εκατομμύρια δολάρια (5 εκατομμύρια ευρώ) σε έναν κύκλο εκκίνησης με επικεφαλής τη Sequoia με τους XYZ, GG1, Seedcamp, Connect, Motier Ventures, Tiny Supercomputer, AI Grant και ένα σωρό επιχειρηματικούς αγγέλους που συμμετέχουν επίσης, όπως ο Olivier Pomel από την Datadog, Julien Codorniou, Julien Chaumond από Hugging Face, Mathilde Collin από Front, Charles Gorintin και Jean-Charles Samuelian-Werve από Alan, Eléonore Crespo και Romain Niccoli από Pigment, Nicolas Brusson από BlaBlaCar, Howie Liu από Airtable, Matthieuom Ro, Babuschkin και Irwan Bello.

Εάν κάνετε ένα βήμα πίσω, η Dust στοιχηματίζει ότι τα LLM θα αλλάξουν σε μεγάλο βαθμό τον τρόπο λειτουργίας των εταιρειών. Ένα προϊόν όπως το Dust λειτουργεί ακόμα καλύτερα σε μια εταιρεία που προωθεί τη ριζική διαφάνεια αντί για τη διατήρηση πληροφοριών, τη γραπτή επικοινωνία αντί για ατελείωτες συναντήσεις, την αυτονομία αντί για τη διαχείριση από πάνω προς τα κάτω.

Εάν τα LLM τηρήσουν την υπόσχεσή τους και βελτιώσουν σημαντικά την παραγωγικότητα, ορισμένες εταιρείες θα αποκτήσουν ένα αθέμιτο πλεονέκτημα υιοθετώντας αυτές τις αξίες, καθώς το Dust θα ξεκλειδώσει πολλές αναξιοποίητες δυνατότητες για τους εργαζόμενους στη γνώση.