Redpine привлекает $8 млн в раунде seed-инвестиций для построения слоя данных, обеспечивающего работу следующего поколения агентов ИИ

Стокгольмская компания Redpine привлекла $8 млн в раунде seed-инвестиций для ускорения глобальной экспансии и дальнейшего развития своей платформы, которая обеспечивает агентам ИИ доступ к премиальным, не публичным данным.

Раунд был возглавлен компанией NordicNinja, с участием компаний Luminar Ventures и node.vc, а также стратегических ангелов, включая лидеров из OpenAI, Perplexity и Spotify, а также основателей компаний SiloAI, Validio и Sana. Генеральный партнер NordicNinja Marek Kiisa присоединится к совету директоров.

Финансирование будет использовано для масштабирования сети проприетарных партнерств по данным Redpine и развития ее основной платформы, включая технологию извлечения и переупорядочения, возглавляемую основным ученым-дата-сайентистом доктором Леонорой Вестербаккой. Компания также расширяет свою команду в области инженерии, науки о данных и выхода на рынок, привлекая таланты из организаций such как Spotify, Sana, Zettle, Lunar, McKinsey, CERN и H&M.

Построение доступа к данным, недоступным для большинства ИИ

Основная предпосылка Redpine проста. Системы ИИ сегодня обучаются на узком срезе мировой информации. Хотя публичные веб-данные обеспечили рост крупных языковых моделей, они представляют только небольшую долю общих глобальных данных.

Компания оценивает, что только 1-2% данных в настоящее время доступны для использования ИИ. Ее платформа предназначена для разблокировки оставшегося большинства, обеспечивая соответствующий, лицензированный доступ к проприетарным наборам данных по отраслям.

Через свою платформу Redpine позволяет владельцам контента, издателям и поставщикам данных предлагать контролируемый доступ к их данным, а разработчикам ИИ и агентам – обнаруживать, оценивать и оплачивать эти данные через унифицированный API-слой. Это позиционирует Redpine как инфраструктуру, а не как строителя моделей, выступая в качестве рынка и системы доставки высокоценных данных.

Headless API для агентов ИИ

На уровне продукта Redpine эксплуатирует headless API-слой, который напрямую соединяет системы ИИ с премиальными наборами данных. Платформа поддерживает несколько типов данных, включая текст, изображения, видео, аудио и код, и предназначена для работы на протяжении всего жизненного цикла ИИ, от обучения и тонкой настройки до реального времени извлечения.

Центральным компонентом системы является ее технология извлечения и переупорядочения, которая оценивает качество данных в реальном времени. Вместо предоставления сырых наборов данных платформа отдает приоритет релевантности и надежности, помогая уменьшить галлюцинации и улучшить принятие решений.

Это особенно важно в областях, где точность имеет решающее значение, таких как здравоохранение, право, финансы и научные исследования. Это среди секторов, на которых Redpine фокусирует свои усилия.

Переосмысление того, как ИИ получает доступ и использует данные

Если эта модель получит развитие, она изменит то, как системы ИИ строятся и развертываются. Вместо того, чтобы сильно полагаться на статические обучающие наборы данных, агенты ИИ могли бы все чаще работать, извлекая проверенную, актуальную информацию по требованию из лицензированных источников.

Такой сдвиг приблизит отрасль к реальному времени интеллекта, где модели менее зависят от того, на чем они были обучены, и более зависят от того, к чему они могут получить доступ в момент принятия решения. Это также вводит более структурированный экономический слой вокруг данных, где доступ измеряется, ценится и регулируется rõкими правами использования.

Для предприятий это может уменьшить необходимость централизации чувствительных данных для обучения, поскольку агенты могут запросить внешние наборы данных без их постоянного поглощения. Для владельцев данных это создает прямой путь к монетизации проприетарной информации без потери контроля над распространением.

Со временем такая инфраструктура может привести к более модульной экосистеме ИИ, где модели, агенты и источники данных слабо связаны. В такой среде конкурентное преимущество может зависеть меньше от масштаба модели и больше от качества, эксклюзивности и доступности данных, которые эти системы могут достичь.