Modiqo Kerää 3 Miljoonaa Dollaria Tehokkaampien Enterprise AI -työvirtojen Luomiseen

AI -agentit ovat olleet hämmästyttäviä esittelyissä. Vaikeampi haaste alkaa käyttöönoton jälkeen, kun työvirrat menevät rikki, koska malli muuttaa käyttäytymistään, API siirtyy tai orkesterointikerros epäonnistuu hiljaisesti. Tuo toiminnallinen epävakaus on ongelma, jota Modiqo on kohdannut uudella 3 miljoonan dollarin esisiirtorahoituksella.

Rahoituskausi oli johtanut Heavybit ja Seligman Ventures, osallistumisesta Irregular Expressions ja enkeli-investoijat. Yritys sanoo, että rahoitus tukkii Rote:n käyttöönottoa, sen suorituskerroksen, joka on suunniteltu tekemään AI-työvirrat määrättyjä ja toistettavissa tuotantoympäristöissä.

Modiqo:n perustaja ja toimitusjohtaja Chetan Conikee:n mukaan, yritykset viettävät liian paljon aikaa uudelleenrakentamiseen AI-työvirroista, jotka aiemmin toimivat, mutta myöhemmin epäonnistuivat johtuen muutoksista perustuvissa järjestelmissä. Sen sijaan, että mallit pyytäisiin uudelleen löytämään sama käyttäytyminen, Rote yrittää säilyttää onnistuneita suorituspolkuja ja toistaa niitä johdonmukaisesti.

Kasvava Luotettavuuden Ongelma Enterprise AI:ssa

Viime vuoden aikana, yritykset ovat kiihdyttäneet kokeiluja AI-agentteja sisäisessä automaatiassa, datakäsittelyssä, ohjelmistotoiminnassa ja asiakaspohjaisissa tehtävissä. Monet organisaatiot ovat kuitenkin havainneet, että luotettavuus, eikä raaka mallin kyky, on muuttunut määrittäväksi toiminnalliseksi pullonkaulaksi.

Perinteiset AI-työvirrat riippuvat usein paljon todennäköisyyssäännöstelystä jokaisessa vaiheessa. Se joustavuus voi olla hyödyllistä kokeilun aikana, mutta se myös tuo epävarmuutta, kun järjestelmiä odotetaan toimivan jatkuvasti suurissa mittakaavoissa.

Modiqo:n lähestymistapa keskittyy muuttamaan onnistuneita AI-suorituksia uudelleen käytettäviksi määrättyiksi työvirroiksi. Sen sijaan, että suuria kehotteita ja kontekstiuikkunoita lähetettäisiin usein inferenssiputkistoihin, yritys pyrkii säilyttämään validoidun suorituslogiikan ja uudelleenkäyttämään sitä, kun se on mahdollista.

Strategia on linjassa laajemman liikkeen kanssa, joka on nousemassa esille enterprise AI-infrastruktuurissa. Yhä useammat yritykset etsivät hybridejä järjestelmiä, jotka yhdistävät LLM-joustavuuden määrättyjen orkesterointikerrosten kanssa, jotka tarjoavat auditointikelpoisuuden, toistettavuuden ja alempia toiminnallisia kustannuksia.

Mikä Rote Oikeasti Tee

Rote toimii paikallisen suorituskerroksen, joka havaitsee onnistuneen agentin käyttäytymisen ja muuttaa ne toistettaviksi prosesseiksi. Alusta on suunniteltu integroitumaan olemassa oleviin yrityksen työkaluihin vähentämällä tarvetta kalliille mukautettuun insinööritöihin.

Modiqo:n mukaan, järjestelmä keskittyy neljään ydinalueeseen:

• Toistettavuus muuttuvien AI-mallien ja API:en yli
• Työvirran uudelleenkäyttö vähentämään tokenin kulutusta
• Näkyvyys suoritusjärjestelmän historiaan ja toiminnallisiin kustannuksiin
• Helppo integrointi olemassa oleviin yritysjärjestelmiin

Yksi yrityksen keskeisistä väitteistä on, että yritykset ylivalitsevat inferenssiä, koska AI-järjestelmät ratkaisevat uudelleen ongelmia, jotka ne ovat jo ratkaisseet aikaisemmin. Säilyttämällä onnistuneita suorituskuviota, Modiqo uskoo, että organisaatiot voivat vähentää merkittävästi tokenin käyttöä parantaen samalla johdonmukaisuutta.

Se “uudelleen löytämisen” kustannusten vähentämisen käsite on tulevaisuudessa yhä tärkeämpää, kun yritykset kohtaavat kasvavia inferenssikustannuksia suurten agenttien käyttöönoton yhteydessä.

Sijoittajat Näkevät Infrastruktuurin Seuraavana AI-taistelukenttänä

Modiqo:a tukkivat sijoittajat asettavat yrityksen vähemmän toisen AI-sovelluskerroksen ja enemmän perustavanlaatuiseksi infrastruktuuriksi tuotantokelpoisille agenttijärjestelmille.

Joseph Ruscio kuvasi nykyisen AI-agenttien sukupolven vaikuttavaksi esittelyissä, mutta epäluotettavaksi tuotantoympäristöissä. Hän väitti, että yksi alan syvemmistä ongelmista on, että useimmat agenttien suoritukset ovat vain hetkellisiä eivätkä muodosta uudelleen käytettäviä toiminnallisia artefakteja.

Vastaväittäen, Umesh Padval viittasi toiminnalliseen luotettavuuteen merkittävimpänä ratkaistamattomana haasteena enterprise AI -järjestelmien käyttöönotossa, erityisesti kun organisaatiot yrittävät skaalata AI-järjestelmiä kokeilun ulkopuolelle.

Painopiste suorituskerroksilla eikä kehotteen insinööritöillä heijastaa myös siirtymistä AI-infrastruktuurimaisemassa. Aikaisemmat enterprise AI -työkalut keskittyivät usein kehoitteisiin ja orkesterointikääreisiin. Yhä enemmän huomiota kiinnitetään työvirran kestävyyteen, havainnollistamiseen, hallintoon ja kustannusvalvontaan.

Enterprise AI Siirtyy Toiminnalliseen Vaiheeseen

Rote:n käyttöönotto tapahtuu laajemman siirtymisen aikana enterprise AI -järjestelmien käyttöönotossa. Varhaiset käyttöönottojen syklit olivat hallinnassa kokeilusta ja todistusaineistojen käyttöönotosta. Monet organisaatiot ovat nyt siirtymässä vaiheeseen, jossa toiminnallinen luotettavuus on tärkeämpää kuin uutuus.

Se siirtyminen luo kysyntää infrastruktuurille, joka pystyy tukkimaan pitkäaikaisia, auditointikelpoisia AI-järjestelmiä eikä vain yksittäisiä chatbot-viestintöjä.

Modiqo:n verkkosivuilla Modiqo asettaa Rote:n “luotettavien AI-agenttien työvirtojen infrastruktuuriksi”, korostaa suoritusjohdonmukaisuutta ja toiminnallista omistajuutta eikä vain autonomista käyttäytymistä. Yritys väittää, että yritykset lopulta tarvitsevat järjestelmiä, jotka käyttäytyvät enemmän kuin vakaa ohjelmistoinfrastruktuuri eivätkä todennäköisyyssäännöllisiä kokeita.

On nähtäväksi, tuleeko määrätty suorituskerros osaksi enterprise AI -pinorakenteita. Mutta kun tokenin kustannukset nousevat ja organisaatiot yrittävät käyttöönottoon AI-agentteja suuressa mittakaavassa, infrastruktuuri, joka keskittyy toistettavuuteen ja luotettavuuteen, on yhä enemmän yksi alan keskeisimmistä investointialoista.