Ремонт полов
Производители ИИ-решений часто представляют свои продукты как готовые решения, но на практике ИИ-агенты редко сразу показывают ожидаемую эффективность. Без целенаправленного обучения на данных конкретного бизнеса, модель вряд ли сможет, например, корректно интерпретировать финансовые показатели или определить права доступа к конфиденциальным документам. Именно поэтому многие ИИ-компании вынуждены отправлять инженеров для интеграции своих продуктов в клиентские системы.
Нью-йоркский стартап Jedify стремится устранить этот пробел. Компания заявляет, что её платформа подключается к различным источникам корпоративных знаний через API-интерфейсы, чтобы формировать «контекстный граф» о бизнесе клиента. Это позволяет ИИ-агентам работать значительно эффективнее. В число таких источников входят базы данных, хранилища данных и озёра данных, SaaS-приложения (облачные сервисы) или инструменты бизнес-аналитики. Также подключаются неструктурированные источники: отчёты, документация, кодовые базы и даже каналы в Slack или записи совещаний.
Содержание
Привлечение инвестиций и стратегическое партнёрство
Для реализации своих амбиций Jedify привлекла 24 миллиона долларов США в рамках раунда финансирования Серии А. Инвестором-лидером выступил фонд Norwest, как эксклюзивно сообщил TechCrunch. В раунде также приняли участие уже существующие инвесторы S Capital VC и Cerca Partners, а также новый участник Oceans Ventures. Гигант в области данных Snowflake также выступил стратегическим инвестором и планирует интегрировать технологии стартапа со своими ИИ-продуктами, включая сервис Cortex AI, Semantic Views и CoWork.
«Контекстный граф» как ключ к эффективному ИИ
Основная идея Jedify заключается в том, что для эффективной работы в корпоративной среде ИИ-агентам необходим доступ к взаимосвязям между сущностями, данными, разрешениями, специализированными знаниями, рабочими процессами, операционными предположениями и специфической терминологией компании. Такой контекст, по утверждению компании, позволяет ИИ-агенту сужать фокус внимания до информации, релевантной конкретной задаче, вместо того чтобы просматривать все имеющиеся у компании данные.
Соучредитель и генеральный директор Ассаф Хенкин привёл компанию Kiteworks, специализирующуюся на комплаенсе (соблюдении нормативов), в качестве примера использования платформы Jedify клиентами. Kiteworks подключила к Jedify системы Snowflake, Tableau, Notion, а также внутренние руководства, включая документы и скриншоты, а затем разработала агентские инструменты для различных клиентских рабочих процессов.
По словам Хенкина, Kiteworks стремилась предоставить своим продавцам и менеджерам по работе с клиентами сложное приложение, которое сочетает в себе функциональность дашборда и разговорного интерфейса в реальном времени. При подготовке к встрече с клиентом Jedify мгновенно собирает всю необходимую информацию, а в ходе самой беседы позволяет получать очень конкретные детали в проактивном режиме.
Хенкин утверждает, что контекстный граф Jedify отличается от существующих семантических слоев, каталогов метаданных и графов знаний, используемых компаниями. Его уникальность заключается в многомерности, охватывающей взаимосвязи между сущностями, данными, людьми, разрешениями и клиентами. Кроме того, он является независимым от моделей (model-agnostic) и обновляется в реальном времени по мере поступления и выгрузки информации из подключённых систем. Он добавил, что для обеспечения подлинной автономности агентских решений, которые принимают решения на основе данных из CRM-систем, обращений Zendesk и, возможно, телеметрических данных в реальном времени, контекстный граф предоставляет значительно более широкие возможности по сравнению с семантическим слоем.
Решение проблем безопасности и масштабирования
Очевидной проблемой в этой области являются права доступа. Например, недопустимо, чтобы ИИ-агент предоставлял стажёру доступ к прогнозам доходов финансового директора. Хенкин пояснил, что платформа Jedify решает эту проблему, наследуя разрешения из систем идентификации, файловых систем, SaaS-приложений и баз данных, включая правила доступа на уровне строк, столбцов и таблиц. После этого клиенты могут создавать дополнительные группы, определяющие, к каким данным и кому имеют доступ агенты или рабочие процессы. Платформа также предоставляет инструменты для мониторинга и управления, помогающие клиентам гарантировать корректное поведение своих ИИ-агентов.
В настоящее время Jedify ориентируется на средние и крупные корпоративные компании с развитой инфраструктурой данных и множеством баз данных или хранилищ. По словам Хенкина, у компании уже есть от 10 до 20 ранних клиентов, среди которых The Weather Company. Отмечается значительный интерес со стороны таких областей, как игровая индустрия, промышленность и производство потребительских товаров, где объём данных особенно велик.
Преимущества перед крупными платформами и перспективы
Инвестиции и партнёрство со Snowflake примечательны, поскольку крупные платформы данных также пытаются развивать аналогичные возможности. Однако Хенкин утверждает, что Jedify дополняет эти усилия, поскольку большая часть корпоративных данных и большая часть институциональных знаний компании обычно не хранятся у одного провайдера облачных услуг. Он отметил, что крупные компании-поставщики данных часто призывают «перенести всё к ним». Однако в реальности у компаний есть множество баз данных, хранилищ и различных решений для работы с данными. Главное, что не все данные и большая часть знаний не хранятся исключительно в этих средах, что является определённым недостатком для крупных платформ.
Хенкин также подчеркнул, что для компаний, пытающихся самостоятельно создать аналогичный контекстный слой, обучение ИИ-модели может быть слишком дорогостоящим. Это особенно актуально сейчас, когда компании пристально следят за расходами на использование ИИ-токенов.
Смотрите также:
Обзор macOS 27 Golden Gate: что нового в следующей операционной системе Apple http://domkrat.org/obzor-macos-27-golden-gate-chto-novogo-v-sleduyushhey-operatsionnoy-sisteme-apple/.
Интересное по теме: Нидерландский стартап OurMind привлек 2,1 млн евро на развитие медицинского ИИ
Советы в статье "Legora расширяет европейское присутствие, открывая офисы в трех странах и удваивая штат" здесь.
Быстрое развитие ИИ-моделей подкрепляет более широкую ставку компании: по мере того как модели становятся всё более мощными и взаимозаменяемыми, запатентованный контекст, который помогает этим моделям лучше работать внутри бизнеса, может стать ценным и устойчивым конкурентным преимуществом.
Привлечённые средства стартап планирует направить на дальнейшее развитие продукта, найм персонала и масштабирование выхода на рынок. Общий объём финансирования компании достиг примерно 33 миллионов долларов США.
