Simile привлекла более 200 миллионов долларов при оценке в 2 миллиарда долларов для масштабирования симуляций человеческого поведения

Simile привлекла более 200 миллионов долларов в рамках раунда серии B при пост-денежной оценке в 2 миллиарда долларов, предоставив компании значительный капитал для разработки моделей искусственного интеллекта, предназначенных для симуляции того, как люди принимают решения.

Greenoaks возглавил раунд, а существующий инвестор Index Ventures увеличил свою поддержку. Hanabi, Bain Capital Ventures, A*, Factory и CVS Health Ventures (CVS ) также вернулись, а Definition присоединился в качестве нового инвестора. Финансирование поступило всего через пять месяцев после того, как Simile вышла из тайного режима с 100 миллионами долларов серии A под руководством Index Ventures, что увеличило общую сумму финансирования компании до более 300 миллионов долларов.

С момента публичного запуска Simile заявляет, что увеличила доход в пять раз, расширила штат до более 50 сотрудников и провела десятки миллионов симуляций для компаний из списка Fortune 100. Компания планирует использовать новое финансирование для совершенствования своей базовой модели для человеческого поведения, повышения надежности симуляций и расширения платформы на различные отрасли, включая здравоохранение, финансовые услуги, потребительские товары и медиа.

Строительство ИИ для прогнозирования поведения, а не создания контента

Большая часть текущего рынка генеративного ИИ сосредоточена на создании выходных данных. Большие языковые модели могут производить программное обеспечение, маркетинговый текст, изображения, концепции продуктов и бизнес-планы в течение нескольких секунд.

Simile нацелена на процесс принятия решений, который предшествует созданию этих выходных данных. Ее платформа предназначена для того, чтобы помочь организациям оценить, что они должны создать, как могут отреагировать разные аудитории и какие вторичные эффекты могут возникнуть после реализации решения.

Компания описывает себя как строителя базовой модели для человеческого поведения, а не еще одной общей языковой модели. Вместо того, чтобы оптимизировать в основном логические ответы или связный текст, модель обучается для представления различий в предпочтениях, опыте, ценностях и моделях принятия решений людей.

Организации могут использовать платформу для создания сравнимых сценариев и изучения того, как одна и та же симулированная популяция реагирует, когда меняются переменные, такие как цена, сообщение, функции продукта или условия политики. Цель состоит не только в том, чтобы спросить синтетических респондентов об их мнениях, но и в том, чтобы смоделировать, как поведение может измениться при различных условиях и со временем.

От исследований Стэнфорда к корпоративной платформе симуляции

Технология Simile основана на исследованиях, проведенных сооснователем и генеральным директором Джун Сонг Парком и другими исследователями Стэнфорда Майклом Бернштейном и Перси Лиангом.

Парк был основным автором статьи 2023 года “Генеративные агенты: интерактивные симулякры человеческого поведения“, в которой был представлен симулированный город, населенный 25 агентами ИИ. Каждый агент использовал поток памяти вместе с механизмами извлечения, размышления и планирования для поддержания контекста и определения своих следующих действий.

Агенты формировали отношения, развивали рутинные действия и координировали мероприятия без явного программирования каждого взаимодействия. Эксперимент помог установить многие архитектурные идеи, которые сейчас используются в симуляциях с множеством агентов, где автономные агенты взаимодействуют друг с другом, а не реагируют независимо на изолированные запросы.

Позже исследования проверили, могут ли генеративные агенты воспроизвести отношение и поведение реальных людей. В исследовании с участием 1052 участников исследователи создали агентов с помощью качественных интервью и оценили, насколько точно они воспроизводили ответы участников.

Агенты достигли 85% точности, которую участники продемонстрировали при ответах на одни и те же вопросы через две недели. Это важное различие: результат не означает, что человеческое поведение было предсказано с 85% абсолютной точностью. Он означает, что агенты приблизились к уровню последовательности людей, которых они были предназначены представлять.

Сайт Simile также ссылается на последующую работу, включающую 2,9 миллиона ответов из 210 социологических экспериментов. Компания утверждает, что тонкая настройка моделей на этих поведенческих данных улучшила соответствие на ранее не виденных исследованиях на 26% по сравнению с базовой моделью.

Оценки уверенности являются центральными для продукта

Одним из наиболее значимых технических заявлений Simile является то, что она обучила отдельную модель уверенности для оценки надежности каждой симуляции.

Прогнозирование человеческого поведения по своей сути неопределенно. Один и тот же человек может принимать разные решения в зависимости от времени, контекста, доступной информации и факторов, которые не присутствуют в наборе данных. Система, которая производит единственное уверенное прогнозирование без сообщения об этих ограничениях, может побудить организации рассматривать симулированное поведение как факт.

Simile утверждает, что ее платформа сравнивает распределения симулированных ответов с ответами, собранными от реальных людей, используя полное расстояние вариации, статистическую меру разницы между двумя распределениями вероятностей. Каждый результат получает оценку уверенности на основе количества и релевантности поддерживающих человеческих доказательств.

Когда доказательства для конкретного населения или сценария ограничены, оценка уверенности предназначена для того, чтобы сделать эту неопределенность видимой. Компания также утверждает, что ее модели пересматриваются еженедельно, чтобы включить изменения в таких областях, как цены, политика, экономические условия и потребительское поведение.

Этот слой проверки может оказаться столь же важным, как и сами симуляции. Для предприятий, принимающих дорогостоящие или чувствительные решения, знание того, когда модель вряд ли будет надежной, может быть более ценным, чем получение еще одного правдоподобного прогноза.

CVS Health использует симуляции для тестирования решений до запуска

CVS Health является одним из наиболее известных ранних клиентов Simile и также участвовала в раунде финансирования через CVS Health Ventures.

Компания здравоохранения использовала симулированные популяции для проверки существующих исследований клиентов, изучения факторов удовлетворенности пациентов и тестирования стратегий, связанных с соблюдением режима приема лекарств. Она также исследовала популяции, которые могут быть трудными или дорогими для достижения с помощью традиционных опросов, включая пациентов с хроническими заболеваниями.

По словам Simile, инициатива CVS опирается на 2,9 миллиона согласованных ответов от более 400 000 участников по более чем 200 поведенческим сценариям. Симуляции использовались для предварительного отбора идей и определения, какие гипотезы заслуживают дальнейшего тестирования с помощью реальных исследований или пилотных проектов.

Это различие имеет значение. Симуляция может уменьшить количество идей, которые необходимо тестировать напрямую с клиентами, но она не устраняет необходимость сбора реальных доказательств. CVS описала технологию как способ расставить приоритеты в исследованиях и усовершенствовать потенциальные вмешательства до того, как пациенты или клиенты будут подвергнуты их воздействию.

Simile также работает с Gallup над политическими исследованиями, исследованиями на рабочем месте и анализом социальных тенденций. Другие организации, представленные компанией, включают Wealthfront, Deloitte, Banco Itaú и Suntory. Предприятия применяют платформу в таких областях, как тестирование продуктов, вход на рынок, исследование опыта клиентов, конкурентное позиционирование и подготовка к отчетам о прибыли.

Переход от отдельных агентов к симулированным рынкам

Многие из текущих применений Simile напоминают ускоренные рыночные исследования. Компания может протестировать несколько концепций продуктов или сообщений на симулированной популяции, прежде чем решить, какие из них заслуживают реальной кампании или пилотного проекта.

Более долгосрочная возможность значительно более сложна. Simile хочет смоделировать взаимодействия между клиентами, конкурентами, институтами, политикой и рынками. Вместо прогнозирования того, как изолированные люди ответят на вопрос, эти симуляции с множеством агентов будут изучать, как люди влияют друг на друга и как решения производят каскадные эффекты.

Возможные применения могут включать моделирование реакций на финансовые шоки, изменения политики, запуски продуктов или изменения в стимулах. Симуляция может изучить не только то, принимают ли клиенты новую услугу, но и то, как это принятие меняет поведение конкурентов, общественное восприятие и спрос на связанные продукты.

Это то место, где технические ограничения станут более значимыми. Небольшие ошибки могут накапливаться, когда тысячи или миллионы агентов взаимодействуют, особенно в симуляциях, где ранние события меняют траекторию всего, что следует. Simile должна продемонстрировать, что ее методы проверки остаются значимыми, когда симуляции переходят от индивидуальных прогнозов к сложным, динамическим системам.

Новый слой инфраструктуры принятия решений

Размер и скорость последнего финансирования Simile предполагают, что инвесторы рассматривают симуляцию поведения как потенциальный новый слой в корпоративном процессе принятия решений.

Организации уже тратят значительные средства на опросы, консалтинг, фокус-группы, тестирование продуктов и рыночные исследования. Симуляции ИИ могут сделать более дешевым исследование большего количества вариантов, тестирование более узких сегментов аудитории и определение слабых идей до того, как будет выделен значительный капитал.

Технология также вводит сложные вопросы вокруг согласия, представительства и подотчетности. Симулированная популяция полезна только в той мере, в какой люди, поведение и обстоятельства представлены в ее базовых данных. Прогнозы могут стать менее надежными, когда они развертываются на незнакомых культурах, быстро меняющихся рынках или высокорисковых ситуациях с ограниченным историческим прецедентом.

По этой причине наиболее сильная ближайшая роль для платформ, таких как Simile, может заключаться в том, чтобы дополнить человеческие исследования, а не заменить их. Симуляции могут помочь организациям решить, какие вопросы исследовать, но реальные клиенты и сообщества остаются необходимыми для проверки того, являются ли результаты действительными вне модели.

Simile получила новое финансирование, которое дает ей ресурсы для проверки того, может ли симуляция человеческого поведения перейти от возникающей области исследований к надежной корпоративной инфраструктуре. Ее ближайший вызов заключается не только в том, чтобы запустить больше симуляций, но и в том, чтобы доказать, что организации могут понять свои ограничения и знать, когда результаты достаточно надежны, чтобы повлиять на значимые решения.