يستخدم Dust نماذج لغة كبيرة على البيانات الداخلية لتحسين إنتاجية الفريق

تراب جديد شركة ناشئة تعمل بالذكاء الاصطناعي مقرها في فرنسا وتعمل على تحسين إنتاجية الفريق من خلال تفكيك الصوامع الداخلية وإبراز المعرفة المهمة وتوفير الأدوات اللازمة لإنشاء تطبيقات داخلية مخصصة. يستخدم Dust في جوهره نماذج لغة كبيرة (LLMs) على بيانات الشركة الداخلية لمنح قوى خارقة جديدة لأعضاء الفريق.

شارك في تأسيسه غابرييل هوبرت وستانيسلاس بولو ، وقد عرف الزوجان بعضهما البعض لأكثر من عقد من الزمان. استحوذت Stripe على أول شركة ناشئة تسمى Totems في عام 2015. بعد ذلك ، أمضيا بضع سنوات في العمل في Stripe قبل أن يفترقا.

انضم Stanislas Polu إلى OpenAI حيث أمضى ثلاث سنوات في العمل على قدرات التفكير في LLM بينما أصبح Gabriel Hubert رئيسًا للمنتج في آلان.

لقد تعاونوا مرة أخرى لإنشاء Dust. على عكس العديد من الشركات الناشئة في مجال الذكاء الاصطناعي ، لا يركز Dust على إنشاء نماذج لغات كبيرة جديدة. بدلاً من ذلك ، تريد الشركة إنشاء تطبيقات فوق LLMs التي طورتها OpenAI و Cohere و AI21 وما إلى ذلك.

عمل الفريق أولاً على ملف منصة التي يمكن استخدامها لتصميم ونشر تطبيقات نماذج اللغة الكبيرة. ثم ركزت جهودها على حالة استخدام واحدة على وجه الخصوص – مركزية البيانات الداخلية وفهرستها بحيث يمكن استخدامها بواسطة LLM.

من ChatGPT داخلي إلى برنامج الجيل التالي

هناك عدد قليل من الموصلات التي تجلب باستمرار البيانات الداخلية من Notion و Slack و Github و Google Drive. ثم يتم فهرسة هذه البيانات ويمكن استخدامها في استعلامات البحث الدلالية. عندما يريد المستخدم القيام بشيء ما باستخدام تطبيق يعمل بنظام Dust ، سيجد Dust البيانات الداخلية ذات الصلة ، ويستخدمها كسياق لـ LLM ويعيد الإجابة.

على سبيل المثال ، لنفترض أنك انضممت للتو إلى شركة وتعمل على مشروع بدأ منذ فترة. إذا كانت شركتك تعزز شفافية الاتصال ، فستحتاج إلى العثور على معلومات في البيانات الداخلية الحالية. لكن قاعدة المعرفة الداخلية قد لا تكون محدثة. أو قد يكون من الصعب العثور على سبب تنفيذ شيء ما بهذه الطريقة حيث تمت مناقشته في قناة Slack المؤرشفة.

الغبار ليس مجرد أداة بحث داخلية أفضل لأنه لا يعرض نتائج البحث فقط. يمكنه العثور على معلومات عبر مصادر بيانات متعددة وتنسيق الإجابات بطريقة أكثر فائدة لك. يمكن استخدامه كنوع من ChatGPT الداخلية ، ولكن يمكن استخدامه أيضًا كأساس لأدوات داخلية جديدة.

قال لي غابرييل هوبرت: “نحن مقتنعون بأن واجهة اللغة الطبيعية ستؤدي إلى تعطيل البرامج”. “في غضون خمس سنوات ، سيكون الأمر مخيبًا للآمال إذا كان لا يزال يتعين عليك الذهاب والنقر فوق تحرير ، والإعدادات ، والتفضيلات ، لتقرر أن برنامجك يجب أن يتصرف بشكل مختلف. نرى الكثير من برامجنا تتكيف مع احتياجاتك الفردية ، لأن هذا هو ما أنت عليه ، ولكن أيضًا لأن هذا هو أسلوب فريقك – لأن هذا هو أسلوب شركتك “.

تعمل الشركة مع شركاء التصميم على عدة طرق لتنفيذ وتغليف منصة Dust. قال لي ستانيسلاس بولو: “نعتقد أن هناك الكثير من المنتجات المختلفة التي يمكن إنشاؤها في هذا المجال من بيانات المؤسسة والعاملين في مجال المعرفة والنماذج التي يمكن استخدامها لدعمهم”.

ما زال الوقت مبكرًا على Dust ، لكن الشركة الناشئة تستكشف مشكلة مثيرة للاهتمام. هناك العديد من التحديات القادمة عندما يتعلق الأمر بالاحتفاظ بالبيانات والهلوسة وجميع المشكلات التي تأتي مع LLM. ربما تصبح الهلوسة أقل أهمية مع تطور LLM. ربما سينتهي الأمر بـ Dust بإنشاء ماجستير خاص به لأسباب تتعلق بخصوصية البيانات.

جمعت Dust 5.5 مليون دولار (5 ملايين يورو) في جولة أولية بقيادة Sequoia مع XYZ و GG1 و Seedcamp و Connect و Motier Ventures و Tiny Supercomputer و AI Grant ومجموعة من رجال الأعمال المشاركين أيضًا ، مثل Olivier Pomel من Datadog ، جوليان كودورنيو ، جوليان شوموند من Hugging Face ، ماتيلد كولين من الجبهة ، تشارلز جورنتين وجان تشارلز صامويليان-ويرف من آلان ، إليونور كريسبو ورومان نيكولي من Pigment ، نيكولاس بروسون من BlaBlaCar ، Howie Liu من Airtable ، Mathieu Rouiff من PhotoRoom ، Igor بابوشكين وإيروان بيلو.

إذا تراجعت خطوة إلى الوراء ، فإن Dust تراهن على أن LLMs ستغير بشكل كبير طريقة عمل الشركات. منتج مثل Dust يعمل بشكل أفضل في شركة تعزز الشفافية الجذرية بدلاً من الاحتفاظ بالمعلومات ، والاتصالات الكتابية بدلاً من الاجتماعات التي لا نهاية لها ، والاستقلالية بدلاً من الإدارة من أعلى إلى أسفل.

إذا أوفت LLMs بوعدها وحسنت الإنتاجية بشكل كبير ، فستكتسب بعض الشركات ميزة غير عادلة من خلال تبني هذه القيم لأن Dust سيفتح الكثير من الإمكانات غير المستغلة للعاملين في مجال المعرفة.