Retab เพิ่มทุน 3.5 ล้านดอลลาร์และเปิดตัวแพลตฟอร์ม AI ที่เปลี่ยนเอกสารที่ไม่มีโครงสร้างให้เป็นข้อมูลที่มีโครงสร้าง

สำหรับนักพัฒนาที่สร้างเครื่องมือ AI ในอุตสาหกรรมต่างๆ เช่น โลจิสติกส์ การเงิน และสุขภาพ มีอุปสรรคหนึ่งที่ยืนอยู่ขวางทางเสมอ นั่นคือการทำให้โมเดลภาษาขนาดใหญ่ (LLM) สามารถดึงข้อมูลออกจากเอกสารในโลกแห่งความเป็นจริงได้อย่างน่าเชื่อถือ เอกสาร PDF ใบแจ้งหนี้รายงานที่มี 200 หน้า แบบฟอร์มที่เขียนด้วยมือ และบัตรประจำตัวที่สแกนได้บ่อยครั้งทำให้ระบบ AI ที่มีพลังงานมากขึ้นล้มเหลว

Retab เป็นสตาร์ทอัพใหม่ที่ก่อตั้งโดยวิศวกรที่เผชิญปัญหานี้ด้วยตนเอง ได้เปิดตัวเพื่อแก้ปัญหานี้ ร่วมกับการเปิดตัวสาธารณะของแพลตฟอร์ม บริษัทยังประกาศการระดมทุน 3.5 ล้านดอลลาร์ในรอบการระดมทุนก่อนซีรีส์ A โดยมี VentureFriends Kima Ventures และ K5 Global เป็นผู้นำด้านการลงทุน โดยมีการเข้าร่วมจาก Eric Schmidt (ผ่าน StemAI) Olivier Pomel (CEO ของ Datadog (DDOG )) และ Florian Douetteau (CEO ของ Dataiku)

Retab ไม่ใช่ผู้ให้บริการ LLM อีกตัวหนึ่ง แต่ตั้งอยู่ชั้นหนึ่งข้างบน โดยให้บริการ แพลตฟอร์มสำหรับนักพัฒนาสำหรับ AI เอกสาร ที่ช่วยให้ผู้ใช้สามารถกำหนดข้อมูลที่ต้องการดึงออกมาได้ แล้วจัดการกระบวนการทั้งหมด ตั้งแต่การทำฉลาก การประเมิน การออกแบบคำสั่ง การประเมินประสิทธิภาพของโมเดล และการกำหนดเส้นทาง

“คนยังคงสร้างตัวเดโม AI ที่ดูเหมือนจะเวทมนตร์ แต่ล้มเหลวในการผลิต” Louis de Benoist ผู้ร่วมก่อตั้งและ CEO ของ Retab กล่าว “เราสร้าง Retab เพราะเรารู้สึกเบื่อหน่ายที่จะต้องสร้างระบบที่ไม่เสถียรเพียงเพื่อดึงข้อมูลบางส่วนออกจากเอกสาร ตอนนี้ นักพัฒนาสามารถมุ่งเน้นไปที่ส chema ที่ต้องการได้—เราจัดการส่วนที่เหลือ”

สิ่งที่ Retab ทำจริงๆ

ในแก่นแท้ Retab เปลี่ยนเอกสารที่ไม่มีโครงสร้าง—เอกสาร PDF การสแกน แบบฟอร์ม—ให้เป็นข้อมูลที่มีโครงสร้างและสะอาดในรูปแบบ JSON หรือตารางที่นักพัฒนาสามารถนำไปใช้ในการผลิตได้ โดยสร้างขึ้นเป็น SDK และแพลตฟอร์ม Retab แยกความซับซ้อนในการสร้างกระบวนการดึงข้อมูล AI ออกไป

บริษัทที่ใช้ Retab เพียงแค่ระบุส chema ของข้อมูลที่ต้องการ Retab จะสร้างชุดข้อมูลที่มีฉลากอัตโนมัติ เลือกโมเดล LLM ที่เหมาะสมที่สุด ปรับแต่งคำสั่ง และจัดการการตรวจจับข้อผิดพลาดและตรรกะการลองใหม่ Retab รับประกันความแม่นยำระดับการผลิตผ่านนวัตกรรมหลักสามประการ

• ส chema ที่ปรับให้เหมาะสมด้วยตนเอง: Retab ใช้ตัวแทน AI ภายในเพื่อทดสอบและปรับปรุงคำสั่งการดึงข้อมูลโดยใช้ตัวอย่างจริง ซึ่งลบการปรับแต่งด้วยมือออกไป
• การกำหนดเส้นทางแบบอัจฉริยะ: แพลตฟอร์มนี้ไม่ขึ้นอยู่กับโมเดลใดโมเดลหนึ่งและสามารถทดสอบโมเดล LLM (เช่น OpenAI, Anthropic, Google ) อัตโนมัติ โดยกำหนดเส้นทางเอกสารแต่ละฉบับไปยังโมเดลที่ดีที่สุดตามต้นทุน ความเร็ว และความต้องการความแม่นยำ ซึ่งช่วยให้ผู้ใช้บางรายลดต้นทุนการประมวลผลได้มากถึง 100 เท่า
• k-LLM Consensus & Guided Reasoning: แทนที่จะพึ่งพาผลลัพธ์ของโมเดลเดียว Retab ใช้เหตุผลแบบขั้นตอน (chain-of-thought) และรันหลายโมเดลพร้อมกันเพื่อให้ได้ข้อตกลงร่วมกัน หากยังคงมีความไม่แน่นอน จะถูกตีตราหรือคำนวณใหม่ ทำให้นักพัฒนามั่นใจในคำตอบทุกข้อ

ชั้นการกำกับดูแลนี้ทำให้นักพัฒนามีอำนาจในการเปลี่ยนกระบวนการเอกสารที่มีข้อผิดพลาด—เช่น การวิเคราะห์เอกสารสัญญา การยืนยันตัวตน หรือการวิเคราะห์ใบแจ้งหนี้—ให้เป็นระบบที่มีการปรับให้เหมาะสมและสามารถแก้ไขข้อผิดพลาดได้เอง

จากโลจิสติกส์ไปสู่โครงสร้างพื้นฐาน

ผู้ก่อตั้งเดิมสร้าง Retab ขึ้นมาในขณะที่กำลังทำให้กระบวนการภายในของเอกสารที่หนักหน่วงในอุตสาหกรรมโลจิสติกส์เป็นอัตโนมัติ แต่เมื่อพวกเขาปรับปรุงเครื่องมือ พวกเขาก็รู้ว่าคุณค่าของมันเกินกว่าการใช้งานเดียว ในปัจจุบัน Retab ถูกใช้โดยหลายสิบบริษัททั่วโลกใน

• โลจิสติกส์: การวิเคราะห์ใบแจ้งหนี้ การส่งมอบ และบันทึกการจัดส่ง
• การเงิน: การดึงปัจจัยเสี่ยงและตัวชี้วัดทางการเงินออกจากรายงานยาว
• สุขภาพ: การทำให้แบบฟอร์มการรับเข้า การอ้างอิง และบันทึกทางการแพทย์เป็นอัตโนมัติ

บริษัทขนส่งใช้ Retab เพื่อระบุการกำหนดค่าโมเดลที่เล็กที่สุดและเร็วที่สุดซึ่งตรงตามข้อกำหนดความแม่นยำ 99% ของพวกเขา—ลดต้นทุนการคำนวณและความล่าช้าโดยไม่สูญเสียประสิทธิภาพ บริษัทการเงินหนึ่งลดเวลาการวิเคราะห์รายไตรมาสลงได้หลายวันโดยใช้ Retab เพื่อดึงข้อมูลที่มีโครงสร้างออกจากเอกสารนักลงทุน

“เศรษฐกิจ AI ขึ้นอยู่กับการเปลี่ยนเอกสารที่ไม่มีโครงสร้างและอ่านได้โดยมนุษย์ให้เป็นข้อมูลที่มีโครงสร้างและตรวจสอบได้” Florian Douetteau CEO ของ Dataiku กล่าว “Retab คือแพลตฟอร์มที่ทำให้การกระโดดครั้งนี้เป็นไปได้ในระดับใหญ่”

มองไปข้างหน้า

Retab กำลังขยายออกไปนอกเหนือจากเอกสาร: การเปิดตัวในอนาคตจะช่วยให้ผู้ใช้สามารถดึงข้อมูลออกจากเว็บเพจและเนื้อหาที่มีการเปลี่ยนแปลงได้ เปิดโอกาสให้ใช้งาน เช่น การวิเคราะห์แข่งขัน การสแกนการปฏิบัติตามกฎระเบียบ และการทำให้กระบวนการรับเข้าเป็นอัตโนมัติ การรวมเข้ากับเครื่องมืออย่าง Zapier, n8n และ Dify ก็อยู่ในระหว่างการวางแผนเช่นกัน ซึ่งช่วยให้ Retab สามารถทำงานร่วมกับกระบวนการทำงานที่มีอยู่ได้โดยไม่ต้องเขียนโค้ดเอง

ในระยะยาว Retab มีเป้าหมายที่จะเป็น ชั้นกลางระหว่างข้อมูลที่ไม่มีโครงสร้างของโลกและตัวแทน AI ที่พึ่งพา—ไม่ว่าจะเป็นการค้นหาทางธุรกิจ RPA หรือ AI คู่ขับ

แม้จะมีเพียง 10 คน แต่ Retab ได้รับการยอมรับแล้วว่าเป็นบล็อกสร้างหลักสำหรับนักพัฒนาที่สร้างผลิตภัณฑ์ AI ที่มีเอกลักษณ์—ไม่ใช่เพียงผู้ขายอีกคนหนึ่ง แต่เป็นชุดเครื่องมือในการทำให้ความเป็นจริงที่ยุ่งเหยิงของข้อมูลในโลกแห่งความเป็นจริงเป็นจริงได้