Plato huy động 16 triệu USD ở vòng Series A để xây dựng môi trường làm việc mô phỏng cho các tác nhân AI

Plato đã huy động 16 triệu USD trong vòng gọi vốn Series A để xây dựng các môi trường làm việc mô phỏng, nơi các mô hình AI có thể thực hành sử dụng phần mềm, xử lý các quyết định kinh doanh và hoàn thành những công việc phức tạp trước khi vận hành trên các hệ thống thực tế. Nava Ventures dẫn đầu vòng gọi vốn, với sự tham gia của Gradient Ventures, Transpose Platform và Mustafa Suleyman, CEO của Microsoft AI.

Khoản đầu tư này nâng tổng vốn Plato huy động được lên 19 triệu USD, sau vòng hạt giống do Gradient Ventures dẫn đầu. Freddie Martignetti, nhà sáng lập Nava Ventures, sẽ tham gia hội đồng quản trị. Được thành lập năm 2025 và có trụ sở tại San Francisco, Plato sẽ dùng số vốn này để mở rộng thư viện môi trường làm việc và trải nghiệm dành cho các nhà phát triển AI.

Khoản đầu tư nhắm đến một hạn chế thực tế trong quá trình chuyển từ chatbot sang tác nhân: đưa ra câu trả lời thuyết phục và thực hiện một công việc là hai năng lực khác nhau. Một tác nhân xử lý giao dịch mua hàng, yêu cầu hỗ trợ hay quy trình kế toán phải sử dụng đúng công cụ, đối chiếu thông tin, tuân thủ các ràng buộc và bảo đảm các hồ sơ liên quan ở trạng thái chính xác.

Môi trường thực hành không làm thay đổi dữ liệu thực

Việc huấn luyện một tác nhân bên trong hệ thống kinh doanh thực có thể gây ra hậu quả trước khi tác nhân đó sẵn sàng. Một tác vụ mua hàng có thể làm phát sinh chi phí, trong khi quy trình hành chính có thể thay đổi hồ sơ thực của khách hàng hoặc nhân viên. Plato tái tạo các quy trình đó trong những môi trường biệt lập mà nhà phát triển có thể đặt lại và sử dụng lại.

“Muốn thành thạo những công việc thực tế phức tạp thì phải có kinh nghiệm trực tiếp thực hiện chúng”, Robert Farlow, đồng sáng lập kiêm CEO của Plato, cho biết trong thông báo. Các mô phỏng của công ty hướng đến việc tái hiện những công cụ, quyết định và tình huống bất ngờ khiến công việc chuyên môn trở nên khó khăn.

Plato hợp tác với các chuyên gia trong lĩnh vực để tái tạo công việc thuộc các mảng hỗ trợ khách hàng, vận hành nhân sự, tài chính, kế toán và quản trị y tế. Các phòng thí nghiệm AI có thể sử dụng những môi trường này để huấn luyện tăng cường, trong đó mô hình thực hiện tác vụ và học từ phản hồi qua nhiều lần trải nghiệm, cũng như để đánh giá hiệu suất của chúng.

Từ trình mô phỏng phần mềm đến quy trình có thể kiểm chứng

Trang web của công ty mô tả Plato là một phòng thí nghiệm nghiên cứu ứng dụng, chuyển đổi phần mềm và dữ liệu trong thế giới thực thành môi trường để huấn luyện và đánh giá tác nhân. Quy trình làm việc minh họa dành cho nhà phát triển tạo một phiên làm việc với nhiều trình mô phỏng, tải một tác vụ, chạy một tác nhân rồi đánh giá quá trình thực thi thu được. Ví dụ này kết hợp các trình mô phỏng GitHub, Jira và Stripe, cho thấy một tác vụ có thể trải rộng trên nhiều công cụ.

Cấu trúc này mang đến cho nhà phát triển một đơn vị trải nghiệm có thể lặp lại: không gian làm việc ban đầu, tác vụ cần hoàn thành, các hành động của tác nhân và những bước kiểm tra kết quả. Việc đặt lại không gian làm việc cho phép thử lại cùng một vấn đề mà không làm tích lũy các thay đổi trong tài khoản thực.

Báo cáo nghiên cứu Computer Work Val v1.0 của Plato, đề ngày 27 tháng 10, mô tả một bộ kiểm định gồm 300 tác vụ thuộc 10 lĩnh vực và 36 vai trò, chạy trên 210 ứng dụng mô phỏng. Công ty cho biết những người đóng góp chuyển một phần công việc của chính họ thành các môi trường được xây dựng từ bản sao phần mềm và dữ liệu giả lập.

Một ví dụ yêu cầu tác nhân lập báo cáo lãi lỗ theo quý bằng các công cụ mô phỏng bảng tính, email, thanh toán và ngân hàng. Các bộ kiểm chứng riêng biệt kiểm tra những yêu cầu như cách hạch toán, việc quy đổi tiền tệ chính xác và việc gửi tệp cuối cùng. Cách tiếp cận này có thể phát hiện một sai sót nghiêm trọng ngay trong một quy trình tưởng như đã hoàn thành: báo cáo có thể đến đúng người nhận nhưng vẫn phóng đại doanh thu.

Báo cáo cũng mô tả việc các chuyên gia trong ngành nghề liên quan rà soát, đồng thời kiểm tra lỗi trong môi trường, sự không nhất quán giữa đề bài và cách chấm điểm, cũng như hành vi lách cơ chế thưởng. Trọng tâm là các tác vụ có đủ thông tin cần thiết để hoàn thành nhưng vẫn đòi hỏi suy luận dựa trên nhiều nguồn.

Vì sao hệ thống chấm điểm lại quan trọng

Phản hồi từ mô phỏng định hình những gì mô hình học được. Nếu một bài đánh giá thưởng cho việc hoàn tất giao dịch mua hàng mà không kiểm tra ngân sách, nó có thể dạy tác nhân ưu tiên hoàn thành công việc hơn những chỉ dẫn vốn làm cho tác vụ có ý nghĩa.

Plato cho biết công ty đánh giá cả kết quả lẫn cách mô hình đạt được kết quả đó, bao gồm việc mô hình có làm theo chỉ dẫn và tuân thủ các ràng buộc hay không. Công ty cũng xem xét liệu mô hình có khai thác điểm yếu trong môi trường để đạt điểm số không phản ánh công việc được thực hiện chính xác hay không.

“Chúng tôi xây dựng các bài đánh giá phản ánh đúng yêu cầu thực tế của công việc, để nhà phát triển có thể phân biệt điểm số cao với công việc được thực hiện chính xác”, Pranav Putta, đồng sáng lập kiêm CTO của Plato, cho biết.

Web Clone Bench riêng của công ty Web Clone Bench đánh giá khả năng tái tạo ứng dụng web từ các môi trường tham chiếu của mô hình. Plato cho biết việc kiểm tra chức năng và bảo đảm chất lượng do con người thực hiện là một phần trong quá trình xây dựng các bản sao có độ trung thực cao. Đối với hạ tầng huấn luyện, độ trung thực là yêu cầu kỹ thuật: những hành vi bị thiếu hoặc các lối tắt phi thực tế có thể làm thay đổi chiến lược mà tác nhân học được.

Rót vốn để mở rộng trải nghiệm thực tế

Farlow trước đây đã xây dựng một nền tảng gán nhãn tại Yutori để hỗ trợ huấn luyện các mô hình sử dụng máy tính. Putta có kinh nghiệm về thị giác máy tính, robot học, học tăng cường và từng làm việc về các mô hình sử dụng máy tính tại MultiOn.

Khoản vốn mới sẽ được dùng để trả công cho các chuyên gia tái tạo nhiều công việc của họ hơn trong các môi trường mô phỏng. Plato cũng dự định triển khai các tác nhân AI thực hiện những nhiệm vụ thực tế để thu thập thêm kinh nghiệm, đồng thời phát triển các mô phỏng phong phú hơn với quy trình làm việc dài hơn và tương tác với những người được mô phỏng.

Vòng gọi vốn này diễn ra sau làn sóng đầu tư rộng hơn vào cơ sở hạ tầng huấn luyện tác nhân, trong đó có khoản vốn Labelbox huy động để phát triển các môi trường học tăng cường và tác nhân AI. Plato đặt cược vào việc các mô hình cần được thực hành ngày càng nhiều trong những tình huống thực tế, đi kèm với các đánh giá vẫn giữ nguyên những quy tắc của công việc. Giá trị của cơ sở hạ tầng đó phụ thuộc vào mức độ trải nghiệm trong môi trường mô phỏng giúp một tác nhân chuẩn bị cho những quyết định mà nó sẽ phải đối mặt bên ngoài môi trường ấy.