Penulis asli: Daniel Barabander, Konsultan Utama & Mitra Investasi Variant
Kompilasi: Zen, PANews
Pada 11 April waktu Beijing, perusahaan rintisan AI Plastic Labs mengumumkan telah menyelesaikan pendanaan Pre-Seed sebesar 5,35 juta dolar AS, dipimpin oleh Variant, White Star Capital, dan Betaworks, dengan partisipasi dari Mozilla Ventures, Seed Club Ventures, Greycroft, dan Differential Ventures. Investor malaikat termasuk Scott Moore, NiMA Asghari, dan Thomas Howell. Sementara itu, platform identitas AI personalisasi mereka "Honcho" telah resmi dibuka untuk akses awal.
Karena proyek ini masih dalam tahap awal, seluruh komunitas kripto masih sangat sedikit mengetahui tentang Plastic Labs. Sementara itu, saat Plastic mengumumkan pembiayaan dan dinamika produk tersebut melalui X, penasihat utama dan mitra investasi dari investor utama mereka, Variant, Daniel Barabander, juga memberikan penjelasan mendalam tentang proyek ini dan platform Honcho-nya. Berikut adalah isi asli:
Dengan munculnya aplikasi model bahasa besar (LLM), permintaan perangkat lunak untuk personalisasi meningkat secara drastis. Aplikasi semacam ini bergantung pada bahasa alami, yang berubah tergantung pada lawan bicara—seperti saat Anda menjelaskan konsep matematika kepada kakek-nenek Anda dengan kata-kata yang berbeda dibandingkan saat menjelaskan kepada orang tua atau anak-anak. Anda secara naluriah menyesuaikan ungkapan Anda berdasarkan audiens, dan aplikasi LLM juga harus "memahami" dengan siapa mereka berbicara agar dapat memberikan pengalaman yang lebih efektif dan relevan. Baik itu asisten terapeutik, asisten hukum, atau teman belanja, aplikasi-aplikasi ini perlu benar-benar memahami pengguna agar dapat memberikan nilai.
Namun, sementara personalisasi sangat penting, saat ini tidak ada solusi off-the-shelf yang tersedia untuk aplikasi LLM untuk menelepon. Pengembang sering harus membangun sistem terfragmentasi mereka sendiri untuk menyimpan data pengguna, seringkali dalam bentuk log sesi, dan mengambilnya saat diperlukan. Akibatnya, setiap tim harus menemukan kembali roda dan membangun infrastruktur manajemen status pengguna mereka sendiri. Lebih buruk lagi, metode seperti menyimpan interaksi pengguna dalam database vektor dan melakukan retrieval augmentation (RAG) hanya dapat mengingat percakapan masa lalu, tetapi tidak dapat benar-benar memahami karakteristik mendalam dari minat pengguna sendiri, preferensi komunikasi, sensitivitas nada, dan sebagainya.
Plastic Labs telah menghadirkan Honcho, sebuah platform plug-and-play yang memungkinkan pengembang untuk dengan mudah menerapkan personalisasi untuk aplikasi LLM mana pun. Pengembang tidak perlu lagi membangun pemodelan pengguna dari nol, cukup dengan mengintegrasikan Honcho, mereka dapat segera mendapatkan profil pengguna yang kaya dan berkelanjutan. Profil ini lebih halus dibandingkan metode tradisional, berkat tim yang mengadopsi teknologi canggih dari ilmu kognitif; dan mereka mendukung kueri bahasa alami, memungkinkan LLM untuk secara fleksibel menyesuaikan perilakunya berdasarkan profil pengguna.
Dengan mengabstraksi kompleksitas manajemen status pengguna, Honcho membuka tingkat pengalaman super-personalisasi baru untuk aplikasi LLM. Namun, maknanya jauh lebih dari itu: Profil pengguna abstrak yang kaya yang dihasilkan oleh Honcho juga membuka jalan bagi "lapisan data pengguna bersama" yang telah lama sulit diwujudkan.
Dalam sejarah, ada dua alasan utama mengapa lapisan data pengguna bersama gagal:
Kurangnya interoperabilitas: Data pengguna tradisional sering kali sangat bergantung pada konteks aplikasi tertentu, sehingga sulit untuk berpindah antar aplikasi. Misalnya, platform sosial X mungkin memodelkan berdasarkan orang yang Anda ikuti, tetapi data ini sama sekali tidak berguna untuk jaringan profesional Anda di LinkedIn. Sementara itu, Honcho menangkap karakteristik pengguna yang lebih tinggi dan lebih umum, yang dapat melayani aplikasi LLM mana pun tanpa hambatan. Misalnya, jika sebuah aplikasi pembelajaran menemukan bahwa Anda paling cocok menggunakan pembelajaran analogi, maka asisten terapi Anda juga dapat memanfaatkan wawasan ini untuk berkomunikasi dengan Anda secara lebih efektif, meskipun kedua skenario tersebut sangat berbeda.
Kurangnya Nilai Instan**：**Lapisan berbagi di masa lalu sulit menarik aplikasi untuk terhubung di tahap awal, karena mereka tidak memberikan keuntungan nyata bagi pelopor, padahal pelopor adalah kunci untuk menghasilkan data pengguna yang berharga. Namun, Honcho berbeda: ia terlebih dahulu menyelesaikan "masalah tingkat satu" pengelolaan status pengguna untuk aplikasi tunggal, dan setelah cukup banyak aplikasi terhubung, efek jaringan secara alami akan membawa penyelesaian "masalah tingkat dua"—aplikasi baru tidak hanya terhubung untuk personalisasi, tetapi juga dapat memanfaatkan profil pengguna berbagi yang sudah ada sejak awal, sepenuhnya menghilangkan masalah cold start.
Saat ini, Honcho telah memiliki ratusan aplikasi dalam daftar tunggu pengujian tertutup, mencakup berbagai skenario seperti pelatih kecanduan, teman belajar, asisten membaca, dan alat e-commerce. Strategi tim adalah: pertama-tama fokus pada penyelesaian masalah manajemen status pengguna aplikasi yang menjadi inti, kemudian secara bertahap meluncurkan lapisan data bersama untuk aplikasi yang bersedia berpartisipasi. Lapisan ini akan menggunakan insentif terenkripsi: aplikasi yang terhubung lebih awal akan mendapatkan bagian kepemilikan dari lapisan ini, sehingga dapat berbagi keuntungan pertumbuhannya; pada saat yang sama, mekanisme blockchain juga dapat memastikan sistem terdesentralisasi dan terpercaya, menghilangkan kekhawatiran tentang lembaga sentral yang menarik nilai atau mengembangkan produk pesaing.
Variant percaya bahwa tim Plastic Labs memiliki kemampuan untuk mengatasi tantangan pemodelan pengguna dalam perangkat lunak yang didorong oleh LLM. Tim ini mengalami secara langsung masalah aplikasi yang tidak dapat benar-benar memahami siswa dan cara belajar mereka saat mengembangkan aplikasi bimbingan obrolan yang dipersonalisasi, Bloom. Honcho lahir dari wawasan ini dan sedang menyelesaikan masalah yang akan dihadapi oleh setiap pengembang aplikasi LLM.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Tinjauan Singkat Platform Identitas AI Personalisasi Honcho: Bagaimana Aplikasi LLM Membuka Pengalaman Super Personalisasi?
Penulis asli: Daniel Barabander, Konsultan Utama & Mitra Investasi Variant
Kompilasi: Zen, PANews
Pada 11 April waktu Beijing, perusahaan rintisan AI Plastic Labs mengumumkan telah menyelesaikan pendanaan Pre-Seed sebesar 5,35 juta dolar AS, dipimpin oleh Variant, White Star Capital, dan Betaworks, dengan partisipasi dari Mozilla Ventures, Seed Club Ventures, Greycroft, dan Differential Ventures. Investor malaikat termasuk Scott Moore, NiMA Asghari, dan Thomas Howell. Sementara itu, platform identitas AI personalisasi mereka "Honcho" telah resmi dibuka untuk akses awal.
Karena proyek ini masih dalam tahap awal, seluruh komunitas kripto masih sangat sedikit mengetahui tentang Plastic Labs. Sementara itu, saat Plastic mengumumkan pembiayaan dan dinamika produk tersebut melalui X, penasihat utama dan mitra investasi dari investor utama mereka, Variant, Daniel Barabander, juga memberikan penjelasan mendalam tentang proyek ini dan platform Honcho-nya. Berikut adalah isi asli:
Dengan munculnya aplikasi model bahasa besar (LLM), permintaan perangkat lunak untuk personalisasi meningkat secara drastis. Aplikasi semacam ini bergantung pada bahasa alami, yang berubah tergantung pada lawan bicara—seperti saat Anda menjelaskan konsep matematika kepada kakek-nenek Anda dengan kata-kata yang berbeda dibandingkan saat menjelaskan kepada orang tua atau anak-anak. Anda secara naluriah menyesuaikan ungkapan Anda berdasarkan audiens, dan aplikasi LLM juga harus "memahami" dengan siapa mereka berbicara agar dapat memberikan pengalaman yang lebih efektif dan relevan. Baik itu asisten terapeutik, asisten hukum, atau teman belanja, aplikasi-aplikasi ini perlu benar-benar memahami pengguna agar dapat memberikan nilai.
Namun, sementara personalisasi sangat penting, saat ini tidak ada solusi off-the-shelf yang tersedia untuk aplikasi LLM untuk menelepon. Pengembang sering harus membangun sistem terfragmentasi mereka sendiri untuk menyimpan data pengguna, seringkali dalam bentuk log sesi, dan mengambilnya saat diperlukan. Akibatnya, setiap tim harus menemukan kembali roda dan membangun infrastruktur manajemen status pengguna mereka sendiri. Lebih buruk lagi, metode seperti menyimpan interaksi pengguna dalam database vektor dan melakukan retrieval augmentation (RAG) hanya dapat mengingat percakapan masa lalu, tetapi tidak dapat benar-benar memahami karakteristik mendalam dari minat pengguna sendiri, preferensi komunikasi, sensitivitas nada, dan sebagainya.
Plastic Labs telah menghadirkan Honcho, sebuah platform plug-and-play yang memungkinkan pengembang untuk dengan mudah menerapkan personalisasi untuk aplikasi LLM mana pun. Pengembang tidak perlu lagi membangun pemodelan pengguna dari nol, cukup dengan mengintegrasikan Honcho, mereka dapat segera mendapatkan profil pengguna yang kaya dan berkelanjutan. Profil ini lebih halus dibandingkan metode tradisional, berkat tim yang mengadopsi teknologi canggih dari ilmu kognitif; dan mereka mendukung kueri bahasa alami, memungkinkan LLM untuk secara fleksibel menyesuaikan perilakunya berdasarkan profil pengguna.
Dengan mengabstraksi kompleksitas manajemen status pengguna, Honcho membuka tingkat pengalaman super-personalisasi baru untuk aplikasi LLM. Namun, maknanya jauh lebih dari itu: Profil pengguna abstrak yang kaya yang dihasilkan oleh Honcho juga membuka jalan bagi "lapisan data pengguna bersama" yang telah lama sulit diwujudkan.
Dalam sejarah, ada dua alasan utama mengapa lapisan data pengguna bersama gagal:
Saat ini, Honcho telah memiliki ratusan aplikasi dalam daftar tunggu pengujian tertutup, mencakup berbagai skenario seperti pelatih kecanduan, teman belajar, asisten membaca, dan alat e-commerce. Strategi tim adalah: pertama-tama fokus pada penyelesaian masalah manajemen status pengguna aplikasi yang menjadi inti, kemudian secara bertahap meluncurkan lapisan data bersama untuk aplikasi yang bersedia berpartisipasi. Lapisan ini akan menggunakan insentif terenkripsi: aplikasi yang terhubung lebih awal akan mendapatkan bagian kepemilikan dari lapisan ini, sehingga dapat berbagi keuntungan pertumbuhannya; pada saat yang sama, mekanisme blockchain juga dapat memastikan sistem terdesentralisasi dan terpercaya, menghilangkan kekhawatiran tentang lembaga sentral yang menarik nilai atau mengembangkan produk pesaing.
Variant percaya bahwa tim Plastic Labs memiliki kemampuan untuk mengatasi tantangan pemodelan pengguna dalam perangkat lunak yang didorong oleh LLM. Tim ini mengalami secara langsung masalah aplikasi yang tidak dapat benar-benar memahami siswa dan cara belajar mereka saat mengembangkan aplikasi bimbingan obrolan yang dipersonalisasi, Bloom. Honcho lahir dari wawasan ini dan sedang menyelesaikan masalah yang akan dihadapi oleh setiap pengembang aplikasi LLM.