ग्राफोन एआई $8.3M के साथ स्टील्थ से बाहर आता है ताकि एंटरप्राइज एआई के लिए एक “इंटेलिजेंस लेयर” बनाया जा सके

एआई इंफ्रास्ट्रक्चर स्टार्टअप ग्राफोन एआई ने $8.3 मिलियन के बीज निधि के साथ स्टील्थ से बाहर निकलते हुए एक बड़े बोतलनेक को हल करने का प्रयास किया है जिसका सामना आधुनिक एआई सिस्टम करते हैं: बड़े मॉडलों की प्रभावी ढंग से विशाल, खंडित मल्टीमॉडल डेटासेट्स के साथ तर्क करने में असमर्थता।

इस दौर का नेतृत्व नोवेरा वेंचर्स ने किया, जिसमें सैमसंग नेक्स्ट, हिटाची वेंचर्स, पर्प्लेक्सिटी फंड, जीएस फ्यूचर्स, गैया वेंचर्स, बी37 वेंचर्स, और औरम पार्टनर्स ने भाग लिया।

सैन फ्रांसिस्को स्थित कंपनी की स्थापना अमेज़ॅन, मेटा, एमआईटी, गूगल, एप्पल, एनवीडिया, और नासा जैसे संगठनों के पूर्व शोधकर्ताओं और इंजीनियरों द्वारा की गई थी।

ग्राफोन जिस समस्या का समाधान करने की कोशिश कर रहा है

बड़े भाषा मॉडल पिछले कुछ वर्षों में काफी अधिक क्षमता वाले हो गए हैं, लेकिन उन्हें अभी भी एक मूलभूत सीमा का सामना करना पड़ता है: संदर्भ विंडोज़।

यहां तक कि उन्नत एआई मॉडल भी केवल एक समय में सीमित मात्रा में जानकारी को संसाधित कर सकते हैं। दूसरी ओर, उद्यम अक्सर दस्तावेजों, डेटाबेस, निगरानी प्रणाली, वीडियो फीड, लॉग, ऑडियो फ़ाइलों और आंतरिक सॉफ़्टवेयर प्लेटफ़ॉर्म पर फैले विशाल मात्रा में जुड़े हुए डेटा पर बैठते हैं।

वर्तमान दृष्टिकोण जैसे रिट्रीवल-ऑगमेंटेड जेनरेशन (आरएजी) मॉडल को प्रासंगिक जानकारी पुनर्प्राप्त करने में मदद करते हैं, लेकिन वे डेटासेट के बीच गहरे संबंधों को समझने या समय के साथ स्थायी समझ बनाए रखने में संघर्ष करते हैं।

ग्राफोन का दृष्टिकोण मॉडल के बाहर तर्क प्रक्रिया का एक हिस्सा ले जाने का है।

एक फाउंडेशन मॉडल को लगातार कच्चे उद्यम डेटा को निगलने के लिए मजबूर करने के बजाय, ग्राफोन एक “प्री-मॉडल इंटेलिजेंस लेयर” बनाता है जो मॉडल उन्हें संसाधित करने से पहले विभिन्न प्रकार की जानकारी के बीच संबंधों को मैप करता है।

कंपनी का कहना है कि यह संबंधित परत ग्राफोन फ़ंक्शन का उपयोग करके बनाई गई है – एक गणितीय ढांचा जो पारंपरिक रूप से नेटवर्क विश्लेषण और बड़े ग्राफ़ प्रणालियों से जुड़ा हुआ है। प्रणाली को मल्टीमॉडल डेटा स्रोतों के बीच संबंधों की पहचान करने के लिए डिज़ाइन किया गया है, जिसमें पाठ, वीडियो, ऑडियो, छवियां, संरचित डेटाबेस, औद्योगिक प्रणाली, और सेंसर नेटवर्क शामिल हैं।

कंपनी के अनुसार, यह एक प्रकार की स्थायी संरचित मेमोरी बनाता है जो मॉडल के संदर्भ विंडो सीमाओं से स्वतंत्र रूप से काम कर सकता है।

बड़े मॉडल से दूर एक बदलाव

ग्राफोन के लॉन्च से एआई उद्योग में एक व्यापक बदलाव की झलक मिलती है।

वर्षों से, एआई में प्रगति मुख्य रूप से मॉडल को स्केल करने से चली आ रही है – अधिक पैरामीटर जोड़ना, अधिक कंप्यूट, और बड़े प्रशिक्षण डेटासेट। लेकिन कई शोधकर्ता और इंफ्रास्ट्रक्चर स्टार्टअप अब बेहतर मेमोरी सिस्टम, तर्क वास्तुकला, रिट्रीवल परतें, और डेटा संगठन के माध्यम से एआई प्रदर्शन में सुधार के तरीकों का अन्वेषण कर रहे हैं – बस बड़े फाउंडेशन मॉडल बनाने के बजाय।

कंपनी का तर्क है कि बुद्धिमत्ता केवल मॉडल में ही नहीं होनी चाहिए, बल्कि उद्यम डेटा से मॉडल को जोड़ने वाली इंफ्रास्ट्रक्चर परत में भी होनी चाहिए।

यह दृष्टिकोण तब और भी महत्वपूर्ण हो सकता है जब व्यवसाय एआई प्रणालियों को ऐसे वातावरण में तैनात करते हैं जहां जानकारी लगातार बदलती रहती है और एक ही समय में कई प्रणालियों में फैली होती है।

उद्योगिक वातावरण में, उदाहरण के लिए, एआई प्रणालियों को एक ही समय में मशीन टेलीमेट्री, सुरक्षा फुटेज, ऑपरेशनल लॉग, रखरखाव रिकॉर्ड, और उद्यम कार्यप्रवाह पर तर्क करने की आवश्यकता हो सकती है। समान चुनौतियां रोबोटिक्स, लॉजिस्टिक्स, स्वास्थ्य सेवा, और उद्यम स्वचालन में मौजूद हैं।

प्रारंभिक उद्यम तैनाती

ग्राफोन का कहना है कि प्रारंभिक उद्यम ग्राहकों में दक्षिण कोरियाई समूह जीएस ग्रुप शामिल हैं।

कंपनी के अनुसार, तैनाती में खुदरा वातावरण में ग्राहकों की गतिविधि का विश्लेषण और निर्माण स्थलों पर सुरक्षा निगरानी में सुधार करने के लिए मल्टीमॉडल सीसीटीवी विश्लेषण शामिल है।

कंपनी का कहना है कि इसकी इंफ्रास्ट्रक्चर एजेंटिक कार्यप्रवाह को भी समर्थन दे सकती है, जिससे एआई एजेंटों को समृद्ध मल्टीमॉडल संदर्भ के आधार पर निर्णय लेने की अनुमति मिलती है, न कि अलग-अलग प्रॉम्प्ट से।

एक और क्षेत्र जिस पर ध्यान केंद्रित किया जा रहा है वह है डिवाइस पर एआई तर्क। ग्राफोन का कहना है कि इसकी प्रणाली स्मार्टफोन, कैमरे, वियरेबल्स, स्मार्ट ग्लासेस और अन्य जुड़े हुए डिवाइसों से उत्पन्न डेटा के साथ काम करने के लिए डिज़ाइन की गई है।

संबंधित एआई इंफ्रास्ट्रक्चर के भविष्य के निहितार्थ

ग्राफोन के उदय से एआई में एक व्यापक बदलाव की झलक मिलती है: यह बढ़ती हुई मान्यता कि मॉडल को स्केल करना ही उद्योग की सबसे कठिन समस्याओं का समाधान नहीं हो सकता है।

जैसे ही उद्यम एआई को जटिल वातावरण में तैनात करते हैं, चुनौती पाठ उत्पन्न करने से अधिक होती जा रही है और यह समझने की ओर बढ़ रही है कि कैसे सिस्टम, लोग, उपकरण और जानकारी के प्रवाह के बीच संबंध हैं।

भविष्य की एआई प्रणालियों को निश्चित रूप से दस्तावेजों और प्रॉम्प्ट से परे तर्क करने की आवश्यकता होगी। स्वायत्त कारखाने, रोबोटिक्स प्रणाली, स्मार्ट सिटी, वियरेबल डिवाइस, औद्योगिक सेंसर, सुरक्षा बुनियादी ढांचे, और उद्यम सॉफ़्टवेयर पारिस्थितिकी तंत्र विशाल मात्रा में जुड़े हुए मल्टीमॉडल डेटा का उत्पादन करते हैं। इस जानकारी का अधिकांश भाग निरंतर और वास्तविक समय में विकसित होता है।

यह नए प्रकार के एआई इंफ्रास्ट्रक्चर के लिए दबाव पैदा कर रहा है जो मॉडल की अस्थायी मेमोरी विंडो से परे स्थायी संदर्भ बनाए रखने में सक्षम हैं।

निहितार्थ एंटरप्राइज़ उत्पादकता उपकरण से परे हो सकते हैं। संबंधित मेमोरी और मल्टीमॉडल समझ पर आधारित प्रणाली अंततः रोबोटिक्स समन्वय, औद्योगिक स्वचालन, डिजिटल ट्विन, स्वायत्त परिवहन, स्वास्थ्य सेवा निदान, और अनुकूली एज़ कंप्यूटिंग वातावरण जैसे क्षेत्रों में भूमिका निभा सकती हैं।

एआई एजेंटों का उदय इस आवश्यकता को और तेज कर सकता है। उद्यम प्रणालियों के भीतर स्वायत्त रूप से काम करने वाले एजेंटों को समय के साथ क्रियाओं, प्रणालियों और वातावरण के बीच संबंधों की गहरी समझ और अधिक टिकाऊ समझ की आवश्यकता होगी।

इस अर्थ में, एआई विकास का अगला बड़ा चरण मशीनों को गतिशील वास्तविक दुनिया के वातावरण को अधिक निरंतर रूप से मॉडल करने में मदद करने वाली प्रणालियों का निर्माण करना हो सकता है – अलग-अलग प्रॉम्प्ट से बढ़ती जटिल प्रतिक्रियाओं का उत्पादन करने के बजाय।