Hızlı mühendislik girişimi Vellum.ai, üretken AI hizmetlerine yönelik talep arttıkça 5 milyon dolar artırdı

Bu sabah, Parşömen 5 milyon dolarlık bir başlangıç ​​turunu kapattığını söyledi. Şirket, çok aşamalı bir şirket olduğunu belirtmek dışında tur için lider yatırımcısının kim olduğunu paylaşmayı reddetti, ancak TechCrunch’a Rebel Fund, Eastlink Capital, Pioneer Fund, Y Combinator ve birkaç meleğin turda yer aldığını söyledi. .

Startup ilk önce TechCrunch’ın dikkatini çekti Y Combinator’ın en son demo gününde (Kış 2023), şirketlerin üretken yapay zeka istemlerini geliştirmelerine yardımcı olmaya odaklanması sayesinde. Üretken yapay zeka modellerinin sayısı, ne kadar hızlı ilerledikleri ve kaç tane işletme kategorisinin büyük dil modellerinden (LLM’ler) yararlanmaya hazır göründüğü göz önüne alındığında, odak noktasını beğendik.

Vellum’un TechCrunch ile paylaştığı ölçümlere göre, pazar girişimin inşa ettiği şeyi de seviyor. Buna göre Akaş SharmaVellum’un CEO’su ve kurucu ortağı olan girişimin bugün 40 ödeme yapan müşterisi var ve geliri ayda yaklaşık %25 ila %30 artıyor.

Bu yılın Ocak ayında doğan bir şirket için bu etkileyici.

Normalde bu türden kısa bir finansman güncellemesinde, şirketi ve ürününü detaylandırmak için biraz zaman harcar, büyümeye odaklanır ve devam ederdim. Bununla birlikte, biraz gelişmekte olan bir şeyi tartıştığımız için, acele mühendislikten daha genel olarak bahsetmek için zaman ayıralım.

parşömen inşa etmek

Sharma bana kendisinin ve kurucu ortaklarının (Noa Flaherty ve Sidd Seethepalli) Dover2019 döneminden başka bir Y Combinator şirketi olan 2020’nin başlarında, beta sürümü yayınlandığında GPT 3 ile çalışıyor.

Dover’dayken, işe alım e-postaları, iş tanımları ve benzerlerini yazmak için üretken AI uygulamaları geliştirdiler, ancak istemlerine çok fazla zaman harcadıklarını ve istemleri üretimde versiyonlayamadıklarını ve kalitelerini ölçemediklerini fark ettiler. Bu nedenle, ince ayar ve semantik arama için de araçlar oluşturmaları gerekiyordu. Sharma, elle yapılan iş miktarının arttığını söyledi.

Bu, ekibin son kullanıcı için inşa etmek yerine dahili araçlar üzerinde mühendislik zamanı harcadığı anlamına geliyordu. Bu deneyim ve iki kurucu ortağının makine öğrenimi operasyonları geçmişi sayesinde, ChatGPT geçen yıl piyasaya sürüldüğünde, üretken yapay zeka istemini daha iyi hale getirmek için araçlara yönelik pazar talebinin “katlanarak artacağını” fark ettiler. Bu nedenle, Parşömen.

LLM iş akışları Vellum içinde. Görsel Kaynakları: Parşömen

Bir pazarın takım oluşturmak için yeni fırsatlar yarattığını görmek yeni bir şey değil, ancak modern LLM’ler yalnızca yapay zeka pazarını değiştirmekle kalmaz, aynı zamanda onu daha da büyütebilir. Sharma bana, yakın zamanda yayınlanan LLM’lerin yayınlanmasına kadar “doğal dili kullanmanın asla mümkün olmadığını söyledi. [prompts] bir yapay zeka modelinden sonuç almak için.” Doğal dil girdilerini kabul etmeye geçiş, ” [AI] bir ürün yöneticiniz veya bir yazılım mühendisiniz olabileceğinden çok daha büyük pazarlayın […] kelimenin tam anlamıyla herkes hızlı bir mühendis olabilir.

Daha fazla elde daha fazla güç, takımlama için daha fazla talep anlamına gelir. Bu konuda, Vellum, AI bilgi istemlerinin model çıktısını yan yana karşılaştırması için bir yol, belirli istemlere bağlam eklemek için şirkete özgü verileri arama yeteneği ve şirketlerin beğenebileceği test ve sürüm kontrolü gibi diğer araçları sunar. istemlerinin doğru şeyler söylediğinden emin olmak için.

Ancak bir LLM istemek ne kadar zor olabilir? Sharma, “LLM destekli bir prototipi döndürmek ve piyasaya sürmek basit, ancak şirketler sonunda şöyle bir şey aldıklarında [that] üretime geçtiklerinde, ortaya çıkan ve tuhaf sonuçlar verme eğiliminde olan pek çok uç durum olduğunu fark ediyorlar.” Kısacası, şirketler LLM’lerinin tutarlı bir şekilde iyi olmasını istiyorsa, kullanıcı sorgularından kaynaklanan GPT çıktılarının dış görünümünden daha fazla iş yapmaları gerekecektir.

Yine de bu biraz genel oldu. Şirketler, çıktılarının iyi ayarlandığından emin olmak için hızlı mühendislik gerektiren uygulamalarda rafine bilgi istemlerini nasıl kullanır?

Açıklamak için Sharma, otelleri hedef alan bir destek biletleme yazılımı şirketine işaret etti. Bu şirket, “Benim için rezervasyon yapabilir misiniz?” gibi soruları yanıtlayabilecek türden bir LLM temsilcisi oluşturmak istedi.

Öncelikle, sorunun bir kişi tarafından mı yoksa LLM tarafından mı yanıtlanması gerektiğine karar vermek için bir yükseltme sınıflandırıcısı olarak çalışan bir isteme ihtiyacı vardı. LLM sorguyu cevaplayacaksa, model o zaman – buradaki örneği kendi başımıza genişletiyoruz – halüsinasyon görmeden veya raydan çıkmadan bunu doğru bir şekilde yapabilmelidir.

Dolayısıyla, LLM’ler, aralarından geçen bir tür mantık oluşturmak için birbirine zincirlenebilir. O halde hızlı mühendislik, LLM’lerle tuhaf bir şey yapmalarını sağlamak için uğraşmak değildir. Bize göre, doğal dil programlamaya daha yakın bir şey. Diğer programlama biçimlerine benzer şekilde kendi araç çerçevesine ihtiyacı olacak.

Pazar ne kadar büyük?

TechCrunch+’ta var şirketlerin neden kurumsal üretken AI pazarının muazzam oranlarda büyümesini beklediğini araştırdı. Üretken yapay zekadan en iyi şekilde yararlanmak için kazma ve küreklere (hızlı mühendislik araçları) ihtiyaç duyacak çok sayıda madenci (müşteri) olmalıdır.

Vellum fiyatlandırma planını paylaşmayı reddetti, ancak hizmetlerinin maliyetinin ayda üç ila dört haneli olduğunu kaydetti. Üç düzineden fazla müşteriyle kesişen bu, Vellum’a tohum aşamasındaki bir şirket için oldukça sağlıklı bir çalışma oranı sağlıyor. Talepte hızlı bir artış, pazar büyüklüğü ile ilişkili olma eğilimindedir, bu nedenle, LLM’ler için gerçekten güçlü bir kurumsal talep olduğunu söylemek doğru olur.

Bu, LLM’ler inşa eden, dağıtan veya destekleyen çok sayıda şirket için iyi bir haber. Bu karışımda kaç tane girişim olduğu göz önüne alındığında, önümüzde parlak, güneşli günlere bakıyoruz.