Interloom Зібрав $16,5 Мільйона для Надання “Пам’яті” Експертним Системам AI в Підприємствах

Експертні системи AI в підприємствах стають усе більш потужними, але одна велика обмеження продовжує утримувати їх: вони не справді пам’ятають, як робота виконується всередині організації.

Ця прогалина знаходиться в центрі останнього оголошення про фінансування Interloom. Мюнхенський стартап зібрав $16,5 мільйона в раунді сід-фінансування під керівництвом DN Capital, з участю Bek Ventures і Air Street Capital. Компанія зосереджена на будівництві платформи, яка захоплює, як команди насправді працюють, і перетворює цю знання в щось, що системи AI можуть використовувати надійно.

Когда підприємства тягнуть AI глибше в свої основні робочі процеси, виклик стає чіткішим. AI може слідувати інструкціям, підсумовувати інформацію і генерувати вивід, але часто не має контексту, необхідного для прийняття послідовних рішень в реальних середовищах. Багато цього контексту не написано ніде – воно існує в минулих випадках, внутрішніх обговореннях і судових рішеннях досвідчених працівників.

Відсутній Шар у Корпоративному AI

Більшість організацій припускають, що їхні процеси добре документовані, але на практиці часто все навпаки. Критична операційна знання розкидана по електронних листах, тикетах підтримки, внутрішніх інструментах і неформальних робочих процесах. Навіть коли документація існує, вона часто відстає від реальності або спрощує, як рішення насправді приймаються.

Це створює велику проблему для впровадження AI. Без доступу до цього неявного знання експертні системи AI борються з рухом за межі вузьких, попередньо визначених завдань. Вони можуть допомогти, але не можуть працювати самостійно з впевненістю.

Interloom намагається вирішити цю проблему, вводячи те, що вона описує як постійний шар пам’яті. Замість того, щоб покладатися на статичні інструкції, платформа Interloom вчиться від того, як команди реально вирішують операційні випадки. З часом вона будує безперервно еволюціонуючу модель того, як рішення приймаються по всій організації, дозволяючи як людям, так і системам AI посилатися на попередні результати як на керівництво.

Від Статичної Документації до Живих Систем

Зміна, яку пропонує Interloom, є тонкою, але значною. Традиційні корпоративні системи сильно залежать від документації, робочих процесів і правил, визначених заздалегідь. Підхід Interloom рухається в протилежному напрямку, захоплюючи знання після факту шляхом спостереження за реальною роботою, коли вона відбувається.

Це означає, що система не обмежується тим, що команди думають, що повинно відбутися, а відображає те, що насправді відбувається. Рішення, прийняті під тиском, винятки, оброблені вручну, і обходи, розроблені з часом, стають частиною зростаючої оперативної пам’яті.

На практиці це дозволяє експертним системам AI діяти на основі прецедентів, а не припущень. Замість генерації відповідей в ізоляції вони можуть ґрунтувати свої дії на подібних випадках, які вже були вирішені. Для працівників це також зменшує потребу у повторному відкритті рішень, оскільки попередні рішення стають миттєво доступними і можуть бути повторно використані.

Іншим наслідком є збереження інституціонального знання. Коли досвідчені працівники покидають організацію, багато їхньої експертизи зазвичай зникає з ними. Захоплюючи, як ці особи обробляли складні ситуації, Interloom намагається зберегти це знання і зробити його доступним для майбутніх команд і систем.

Ранні Досягнення в Складних Галузях

Хоча Interloom ще на ранній стадії свого життєвого циклу, компанія вже працює з великими підприємствами, включаючи Zurich Insurance (ZURN.SW ) і Volkswagen. Ці середовища забезпечують явний тестовий випадок для платформи, оскільки вони включають великі об’єми складних, контекстно-залежних рішень.

У галузях, таких як страхування, виробництво і фінансові послуги, процеси рідко слідують простому набору правил. Кожен випадок може включати多рі змінні, винятки і залежності між системами. Це робить їх складними для автоматизації за допомогою традиційних підходів, які покладаються на жорсткі робочі процеси.

Обробляючи мільйони операційних випадків, платформа Interloom призначена для відкриття закономірностей у прийнятті рішень і використання їх для покращення як швидкості, так і послідовності. Недавно представлений “Chief of Staff” агент будується на цьому, спрямовуючись на координацію робочих процесів між системами, а не просто виконання ізольованих завдань.

Що Це Значить для Майбутнього AI в Підприємствах

Поява систем, таких як Interloom, вказує на ширшу зміну в тому, як корпоративний AI, ймовірно, розвиватиметься. Ранні хвилі автоматизації зосереджувалися на структурованих процесах і чітко визначених завданнях. Більш недавні досягнення в генераційному AI розширили те, що машини могли зрозуміти і виробити. Наступна фаза може бути визначена тим, як добре системи AI можуть включати контекст з часом.

Якщо експертні системи AI мають взяти на себе більше відповідальності всередині організацій, їм потрібно буде щось подібне до організаційної пам’яті. Без неї навіть найрозвітліші моделі залишаться обмеженими на рівні допомоги, а не виконання. З нею кордон між людським прийняттям рішень і машинним виконанням починає стиратися.

Це також піднімає нові питання про те, як компанії керують і регулюють своє внутрішнє знання. Система, яка безперервно захоплює і повторно використовує рішення, може стати потужною конкурентною перевагою, але вона також вводить виклики щодо прозорості, упередженості і контролю. Якщо системи AI навчаються на попередніх рішеннях, вони можуть підтримувати існуючі закономірності – і хороші, і погані.

Водночас можливість кодифікувати і повторно використовувати оперативне знання в масштабі може змінити те, як організації думають про експертизу. Замість того, щоб бути зосередженою в окремих особах або командах, знання стають спільним активом, який еволюціонує з часом. Це може знизити бар’єр для автоматизації в галузях, які історично опирались їй, особливо в тих, які вимагають суджень і досвіду.

Підхід Interloom свідчить про те, що майбутнє корпоративного AI може не бути визначено лише кращими моделями, а кращими системами для захоплення і застосування реального знання. Чи ця бачення виявиться масштабованим, залишається бути побаченим, але напрямок стає дедалі чіткішим: для того, щоб AI перейшло від допомоги до виконання, пам’ять може бути такою ж важливою, як і інтелект.