Plato získává 16 milionů dolarů v investičním kole série A na vybudování simulovaných pracovišť pro agenty AI

Plato získalo 16 milionů dolarů v investičním kole série A na vybudování simulovaných pracovišť, kde si modely AI mohou procvičovat práci se softwarem, rozhodování v podnikání a plnění složitých úkolů, než začnou pracovat v reálných systémech. Kolo vedla Nava Ventures a zúčastnily se ho také Gradient Ventures, Transpose Platform a Mustafa Suleyman, generální ředitel Microsoft AI.

Toto financování zvyšuje celkovou částku získanou společností Plato na 19 milionů dolarů; předcházelo mu počáteční investiční kolo, které vedla Gradient Ventures. Freddie Martignetti, zakladatel Nava Ventures, se připojuje k představenstvu. Společnost Plato, založená v roce 2025 a sídlící v San Franciscu, využije získané prostředky k rozšíření knihovny pracovních prostředí a možností, které mají vývojáři AI k dispozici.

Investice cílí na praktické omezení při přechodu od chatbotů k agentům: vytvořit přesvědčivou odpověď a splnit úkol jsou dvě různé schopnosti. Agent, který vyřizuje nákup, případ zákaznické podpory nebo účetní proces, musí používat správné nástroje, uvádět informace do souladu, dodržovat omezení a zanechat podkladové záznamy ve správném stavu.

Prostor k procvičování bez změn v živých záznamech

Trénování agenta v reálném podnikovém systému může mít následky ještě předtím, než je na ně agent připraven. Nákupní úkol může vést k utracení peněz, zatímco administrativní proces by mohl změnit skutečný záznam o zákazníkovi nebo zaměstnanci. Plato tyto procesy obnovuje v izolovaných prostředích, která mohou vývojáři resetovat a opakovaně používat.

„Zvládnutí skutečné složité práce vychází ze zkušeností s jejím vykonáváním,“ uvedl v oznámení Robert Farlow, spoluzakladatel a generální ředitel společnosti Plato. Simulace této společnosti mají zachytit nástroje, rozhodnutí i nečekané situace, které práci v profesním prostředí ztěžují.

Plato spolupracuje s odborníky z jednotlivých oborů na vytváření simulací pracovních činností v zákaznické podpoře, personálních operacích, financích, účetnictví a administrativě ve zdravotnictví. Laboratoře AI mohou výsledná prostředí využívat k posilovanému učení, při němž modely opakovaně plní úkoly a učí se ze zpětné vazby, i k hodnocení jejich výkonu.

Od softwarových simulátorů k ověřitelným pracovním postupům

Webové stránky společnosti představují Plato jako laboratoř aplikovaného výzkumu, která převádí software a data z reálného světa do prostředí pro trénování a hodnocení agentů. Ukázkový pracovní postup pro vývojáře vytvoří relaci s několika simulátory, načte úkol, spustí agenta a vyhodnotí výsledný průběh jeho činnosti. Příklad kombinuje simulátory GitHubu, Jira a Stripe a ukazuje, jak může jeden úkol zahrnovat několik nástrojů.

Tato struktura poskytuje vývojářům opakovatelnou jednotku zkušenosti: výchozí pracovní prostředí, úkol k vyřešení, kroky agenta a kontroly výsledku. Resetováním pracovního prostředí lze stejný problém řešit znovu, aniž by se hromadily změny v živém účtu.

Výzkumná zpráva společnosti Plato Computer Work Val v1.0 z 27. října popisuje validační sadu 300 úkolů napříč 10 oblastmi a 36 profesními rolemi, které probíhají ve 210 simulovaných aplikacích. Společnost uvádí, že přispěvatelé převádějí části své vlastní práce do prostředí vytvořených pomocí softwarových replik a fiktivních dat.

Jeden příklad zadává agentovi přípravu čtvrtletního výkazu zisků a ztrát pomocí simulovaných nástrojů pro tabulky, e-mail, platby a bankovnictví. Samostatné ověřovací mechanismy kontrolují požadavky, jako je účetní zachycení, správný převod měny a doručení konečného souboru. Tento přístup může odhalit závažnou chybu i v jinak dokončeném pracovním postupu: zpráva může dorazit správnému příjemci, a přesto nadhodnocovat tržby.

Zpráva také popisuje kontrolu odborníky z příslušné profese a prověřování nedostatků prostředí, nesouladu mezi zadáním a hodnocením i zneužívání systému odměn. Zaměřuje se na úkoly, které obsahují informace nezbytné k úspěšnému splnění, ale zároveň vyžadují uvažování napříč několika zdroji.

Proč je systém hodnocení důležitý

Zpětná vazba ze simulace ovlivňuje, čemu se model naučí. Pokud hodnocení odměňuje dokončený nákup, aniž by kontrolovalo rozpočet, může agenta naučit upřednostňovat dokončení úkolu před pokyny, které mu dávaly smysl.

Plato uvádí, že hodnotí výsledek i způsob, jakým k němu model dospěl, včetně toho, zda dodržel pokyny a respektoval omezení. Zkoumá také, zda modely nezneužívají slabiny prostředí k získání skóre, které neodpovídá správně odvedené práci.

„Vytváříme hodnocení, která odrážejí skutečné požadavky dané práce, aby vývojáři dokázali odlišit vysoké skóre od správně odvedené práce,“ uvedl Pranav Putta, spoluzakladatel a technický ředitel společnosti Plato.

Samostatný projekt společnosti Web Clone Bench zkoumá, nakolik modely dokážou z referenčních prostředí znovu vytvořit webové aplikace. Plato uvádí, že součástí tvorby věrných replik jsou kontroly funkčnosti a lidské zajišťování kvality. Pro infrastrukturu trénování je věrnost technickým požadavkem: chybějící chování nebo nereálné zkratky mohou změnit strategie, kterým se agent naučí.

Financování dalších zkušeností z reálného světa

Farlow už dříve vybudoval anotační platformu Yutori, která podporuje trénování modelů ovládajících počítač. Putta má zkušenosti s počítačovým viděním, robotikou a posilovaným učením a pracoval také na modelech pro ovládání počítače ve společnosti MultiOn.

Nové financování poslouží k tomu, aby odborníci dostali zaplaceno za to, že v simulovaných prostředích znovu vytvoří větší část své práce. Plato také plánuje nasadit agenty AI na skutečné úkoly, aby získali další zkušenosti, a vyvíjí propracovanější simulace s delšími pracovními postupy a interakcemi se simulovanými lidmi.

Toto investiční kolo navazuje na širší investice do infrastruktury pro trénování agentů, včetně financování společnosti Labelbox určeného na prostředí pro posilované učení a agenty AI. Plato sází na to, že modely potřebují stále větší zásobu realistického tréninku spojeného s vyhodnocováním, které zachovává pravidla dané práce. Hodnota této infrastruktury závisí na tom, nakolik zkušenosti získané v simulaci připraví agenta na rozhodnutí, kterým bude čelit mimo ni.