Simile зібрав понад 200 мільйонів доларів за оцінку у 2 мільярди доларів для масштабування симуляцій поведінки людини

Simile зібрав понад 200 мільйонів доларів у рамках фінансування серії B за оцінку у 2 мільярди доларів після фінансування, надаючи компанії-початківцю з Пало-Альто значний капітал для розробки моделей штучного інтелекту, призначених для симуляції того, як люди приймають рішення.

Greenoaks очолив раунд, а існуючий інвестор Index Ventures збільшив свою підтримку. Hanabi, Bain Capital Ventures, A*, Factory і CVS Health Ventures (CVS ) також повернулися, приєднавшись до нового інвестора Definition. Фінансування відбулося лише за п’ять місяців після того, як Simile вийшов з режиму стелс з 100 мільйонами доларів серії А, яку очолив Index Ventures, що перевело загальну суму фінансування компанії понад 300 мільйонів доларів.

Від моменту публічного запуску Simile заявляє, що збільшив доходи у п’ять разів, розширився до понад 50 працівників і провів десятки мільйонів симуляцій для компаній Fortune 100. Компанія планує використати нове фінансування для вдосконалення своєї основної моделі поведінки людини, покращення надійності своїх симуляцій та розширення платформи в галузях, таких як охорона здоров’я, фінансові послуги, споживчі товари та ЗМІ.

Розробка штучного інтелекту для прогнозування поведінки, а не генерації контенту

Більшість сучасного ринку генерації штучного інтелекту зосереджена на створенні виходів. Великі мовні моделі можуть створювати програмне забезпечення, маркетинговий контент, зображення, концепції продуктів та бізнес-плани за секунди.

Simile націлений на процес прийняття рішень, який передує створенню цих виходів. Його платформа призначена для допомоги організаціям у оцінці того, що їм слід створити, як різні аудиторії можуть відреагувати та які другорядні ефекти можуть виникнути після реалізації рішення.

Компанія описує себе як розробника основної моделі поведінки людини, а не ще однієї загальної мовної моделі. Замість оптимізації в першу чергу для логічних відповідей або плавного тексту модель тренується для представлення відмінностей у перевагах, досвіді, цінностях та моделях прийняття рішень людей.

Організації можуть використовувати платформу для створення порівняльних сценаріїв та вивчення того, як одна й та сама симульована населення реагує, коли змінюються змінні, такі як ціни, повідомлення, функції продукту чи умови політики. Метою є не просто запитання синтетичних респондентів про їхню думку, а моделювання того, як поведінка може змінитися в різних умовах та з часом.

Від досліджень Стенфордського університету до корпоративної платформи симуляцій

Технологія Simile будується на дослідженнях, проведених співзасновником і генеральним директором Джун Сунг Парком та іншими дослідниками Стенфордського університету Майклом Бернштейном і Персі Ліангом.

Парк був головним автором статті 2023 року “Генеративні агенти: інтерактивні симуляції поведінки людини“, яка представила симульоване місто, населене 25 агентами штучного інтелекту. Кожен агент використовував потік пам’яті разом з механізмами пошуку, відображення та планування для підтримки контексту та визначення своїх наступних дій.

Агенти утворили відносини, розвинули рутини та координували діяльність без явного програмування кожної взаємодії. Експеримент допоміг встановити багато архітектурних ідей, які зараз використовуються в симуляціях多агентних взаємодій, де автономні агенти взаємодіють один з одним, а не реагують незалежно на ізольовані запити.

Пізніше дослідження перевірили, чи можуть генеративні агенти відтворювати ставлення та поведінку реальних людей. У дослідженні, яке включало 1052 учасників, дослідники створили агентів за допомогою якісних інтерв’ю та оцінили, наскільки точно вони відтворювали відповіді учасників.

Агенти досягли 85% точності, яку учасники продемонстрували під час відповідей на одні й ті самі питання через два тижні. Це важливий висновок: результат не означає, що поведінку людини було передбачено з 85% абсолютною точністю. Це означає, що агенти наблизилися до рівня послідовності людей, яких вони мали представляти.

Сайт Simile також посилається на подальшу роботу, яка включає 2,9 мільйона відповідей з 210 соціальних наукових експериментів. Компанія стверджує, що налаштування моделей на цих даних про поведінку покращило узгодженість у попередньо невиданих дослідженнях на 26% порівняно з базовою моделлю.

Оцінки впевненості є центральними для продукту

Одна з найбільш значимих технічних заяв Simile полягає в тому, що компанія тренувала окрему модель впевненості для оцінки надійності кожної симуляції.

Прогнозування поведінки людини є внутрішньо невизначеним. Та сама людина може приймати різні рішення залежно від часу, контексту, наявної інформації та факторів, які не присутні в наборі даних. Система, яка видає єдину впевнену прогноз без комунікації цих обмежень, могла б спонукати організації вважати симульовану поведінку фактом.

Simile стверджує, що її платформа порівнює розподіли симульованих відповідей з відповідями, зібраними з реальних людей, за допомогою статистичної міри різниці між двома розподілами ймовірностей. Кожен результат отримує оцінку впевненості на основі кількості та актуальності підтримуючих даних про поведінку людини.

Коли докази для певної популяції чи сценарію обмежені, оцінка впевненості повинна зробити цю невизначеність видимою. Компанія також стверджує, що її моделі перенастроюються щотижня для включення змін у таких областях, як ціни, політика, економічні умови та поведінка споживачів.

Цей валідний шар міг би виявитися таким же важливим, як і сама симуляція. Для підприємств, які приймають дорогі чи чутливі рішення, знання того, коли модель є ненадійною, може бути більш цінним, ніж отримання ще одного правдоподібного прогнозу.

CVS Health використовує симуляції для перевірки рішень до їхнього запуску

CVS Health є одним з найбільш відомих клієнтів Simile на ранній стадії та також взяв участь у раунді фінансування через CVS Health Ventures.

Компанія з охорони здоров’я використовувала симульовані популяції для верифікації існуючих досліджень клієнтів, вивчення чинників задоволеності пацієнтів та перевірки стратегій, пов’язаних із дотриманням лікування. Вона також досліджувала популяції, які можуть бути складними чи дорогими для досягнення через традиційні опитування, включаючи пацієнтів з хронічними захворюваннями.

За даними Simile, ініціатива CVS спирається на 2,9 мільйона погоджених відповідей від понад 400 000 учасників у понад 200 поведінкових сценаріях. Симуляції використовувалися для попередньої перевірки ідей та визначення, які гіпотези заслуговують на подальше дослідження через реальні дослідження чи пілотні проекти.

Ця відмінність має значення. Симуляція може зменшити кількість ідей, які потрібно перевірити безпосередньо з клієнтами, але вона не усуває необхідність збору реальних даних. CVS описав технологію як засіб пріоритизації досліджень та уточнення потенційних втручань до того, як пацієнти чи клієнти будуть піддані їхньому впливу.

Simile також працює з Gallup над дослідженнями політики, дослідженнями робочого місця та аналізом соціальних тенденцій. Інші організації, представлені компанією, включають Wealthfront, Deloitte, Banco Itaú та Suntory. Підприємства застосовують платформу до таких областей, як тестування продукту, входження на ринок, дослідження клієнтського досвіду, конкурентне позиціонування та підготовка до звіту про прибуток.

Перехід від індивідуальних агентів до симульованих ринків

Багато сучасних застосувань Simile нагадують прискорене дослідження ринку. Компанія може протестувати кілька концепцій продукту чи повідомлень проти симульованої популяції, перш ніж вирішити, які з них заслуговують на реальну кампанію чи пілотний проект.

Довгострокова можливість значно складніша. Simile хоче змоделювати взаємодію між клієнтами, конкурентами, інститутами, політикою та ринками. Замість прогнозування того, як ізольовані особи відповідають на питання, ці багатокомпонентні симуляції будуть вивчати, як люди впливають один на одного та як рішення призводять до каскадних ефектів.

Можливі застосування можуть включати моделювання реакцій на фінансові шоки, зміни політики, запуски продукту чи зміни стимулів. Симуляція могла б вивчити не тільки те, чи приймає клієнт нову службу, а й те, як ця адоптація змінює поведінку конкурентів, громадську думку та попит на пов’язані продукти.

Це місце, де технічні обмеження стануть більш значимими. Незначні помилки можуть накопичуватися, коли тисячі чи мільйони агентів взаємодіють, особливо в симуляціях, де ранні події змінюють траєкторію всього, що відбувається далі. Simile повинна продемонструвати, що її методи валідації залишаються значимими, коли симуляції переходять від індивідуальних прогнозів до складних, динамічних систем.

Новий шар інфраструктури прийняття рішень

Розмір і швидкість останнього фінансування Simile свідчать про те, що інвестори бачать симуляцію поведінки як потенційний новий шар у процесі прийняття рішень підприємств.

Організації вже витрачають значні кошти на опитування, консалтинг, фокус-групи, тестування продукту та дослідження ринку. Симуляції штучного інтелекту могли б зробити дослідження більшої кількості варіантів, тестування вузьких сегментів аудиторії та виявлення слабких ідей до вкладення значного капіталу дешевшим.

Технологія також вводить складні питання щодо згоди, представництва та підзвітності. Симульована популяція є корисною лише в тому випадку, якщо люди, поведінка та обставини, представлені в її основі даних. Прогнози можуть стати менш надійними, коли їх застосовують до незнайомих культур, швидко змінюються ринків або високоризикових ситуацій з обмеженою історичною передачею.

Через це найсильніша роль платформ типу Simile на найближчий період може полягати в тому, щоб доповнити людські дослідження, а не замінити їх. Симуляції можуть допомогти організаціям вирішити, які питання слід досліджувати, але реальні клієнти та громади залишаються необхідними для верифікації того, чи результати зберігаються поза моделлю.

Нове фінансування Simile надає компанії ресурси для перевірки того, чи може симуляція поведінки людини перейти від нової галузі досліджень до надійної корпоративної інфраструктури. Її найближнім завданням є не просто виконання більшої кількості симуляцій, а доведення того, що організації можуть зрозуміти свої обмеження та знати, коли результати достатньо надійні, щоб впливати на рішення, що мають значимі наслідки.