Modele i platformy AI
Presis wprowadza klasyfikację hostowaną we własnej infrastrukturze na platformie agentowej Boost.ai
Dodaj Unite.AI do preferowanych źródeł w Google
Firma boost.ai ogłosiła uruchomienie Presis 10 listopada 2026 r. Presis to hostowany we własnej infrastrukturze model językowy, który podejmuje decyzje klasyfikacyjne dotyczące rozmów z udziałem agentów AI. Firma poinformowała, że testy wewnętrzne wykazały, iż model działa co najmniej 2,5 raza szybciej niż zastępowane przez niego modele. Różnica jest najbardziej zauważalna w godzinach szczytowego zapotrzebowania oraz w głosowych systemach AI.
Presis decyduje, która część agenta AI powinna odpowiedzieć, czy pytanie mieści się w zakresie jego działania, czy odpowiedź można bezpiecznie pokazać użytkownikowi końcowemu oraz jak należy analizować zakończone rozmowy. W systemach głosowych kontrole dotyczące kierowania zapytań i zabezpieczeń muszą zakończyć się, zanim będzie można rozpocząć generowanie odpowiedzi, przez co klasyfikacja bezpośrednio wpływa na czas jej udzielenia. Firma informuje, że Presis już odpowiada za te decyzje na platformie, a jego wdrażanie w pozostałych jej obszarach będzie kontynuowane w nadchodzących tygodniach.
Wydajność i infrastruktura
Według wewnętrznych testów firmy średni koszt tokenów spadł o 33%, a dokładność poprawiła się we wszystkich pięciu funkcjach klasyfikacyjnych — w zależności od funkcji od 0,5 do 7,9 punktu procentowego.
Dyrektor ds. technologii Rasmus Hauch powiedział, że kontrolowanie „każdego elementu stosu technologicznego, na którym działa” pozwala stale ulepszać model przeznaczony do klasyfikacji. Dokumentacja wersji 14 wskazuje, że modele dostrojone do konkretnych zadań działają na wewnętrznie zarządzanych, dedykowanych klastrach serwerów, a deklarowanymi celami są krótki czas odpowiedzi i duża przepustowość.
Presis działa na platformie AWS w tym samym regionie, w którym obsługiwana jest już instancja każdego klienta, dlatego udokumentowana lokalizacja przetwarzania danych się nie zmienia. AWS jest już zatwierdzonym podmiotem przetwarzającym dane, co oznacza, że model nie wprowadza nowych podmiotów przetwarzających i nie wymaga zmiany umowy o przetwarzaniu danych ani zawarcia dodatkowej umowy.
Firma twierdzi, że taka pełna kontrola eliminuje ryzyko związane z awariami usług podmiotów zewnętrznych, przekroczeniem limitu czasu odpowiedzi i wahaniami przepustowości w przypadku decyzji dotyczących kierowania zapytań, zakresu działania i zabezpieczeń.
Wersja 14 rozdziela generowanie i klasyfikację
Wersja 14 dzieli zadania platformy związane z modelami językowymi na generowanie i klasyfikację. GPT-5.1 jest wymagany do korzystania z wbudowanych funkcji generowania tekstu i stanowi domyślny model dla nowych działań agentowych, natomiast Presis obsługuje komponent klasyfikacyjny orkiestratora agentów, funkcję few-shot, przegląd AI, detektor pytań spoza zakresu oraz zabezpieczenia systemowe. Klienci muszą skonfigurować GPT-5.1 przed aktualizacją; bez niego migracja systemu zakończy się niepowodzeniem.
Taka architektura ogranicza wybór dostawcy modeli do wbudowanej klasyfikacji. W przypadku tych zadań usuwane są obsługa zewnętrznych modeli własnego wyboru (Bring Your Own Model, BYOM) oraz opcje konfiguracji dostawcy, natomiast możliwość korzystania z własnego modelu (BYO) pozostaje dostępna w przypadku generatywnych działań agentowych, działań LLM i zabezpieczeń.
Migracja i zmiana modeli
Firma wiąże szerszą transformację z zaplanowanym przez Microsoft na kwiecień 2027 r. wycofaniem GPT-4o, GPT-4.1, GPT-4.1-mini i GPT-4.1-nano na platformie Azure. Funkcje umożliwiające wcześniejszą migrację i testowanie wprowadzono w wersji 12.8.3 w sierpniu 2026 r., a obowiązkowe zmiany w wersji 14 miały zacząć trafiać do środowiska produkcyjnego w połowie października 2026 r.
Presis to nowa nazwa modelu Boost Native Model. Firma boost.ai wyjaśnia, że norweska nazwa nawiązuje do dokładności i terminowości, a jej zmiana nie wpłynęła na sposób działania modelu.
Firma analizuje również możliwość zastosowania podobnego podejścia, opartego na dedykowanym modelu, do funkcji generatywnych. Dla klientów bezpośrednim kompromisem jest większa kontrola nad platformą i deklarowany wzrost wydajności, ale też mniejsza swoboda wyboru dostawcy w przypadku wbudowanej klasyfikacji; ewentualne rozszerzenie tego podejścia na generowanie jest nadal przedmiotem oceny, a nie zapowiedzianym wdrożeniem.
