Retab Raises $3.5M và Ra Mắt Nền Tảng Được Cung Cấp Bởi Trí Tuệ Nhân Tạo Để Chuyển Đổi Tài Liệu Rối Ràng Thành Dữ Liệu Cấu Trúc

Đối với các nhà phát triển xây dựng các công cụ được cung cấp bởi trí tuệ nhân tạo trong các ngành như hậu cần, tài chính và chăm sóc sức khỏe, một thách thức luôn cản trở họ: làm thế nào để các mô hình ngôn ngữ lớn (LLM) có thể đáng tin cậy trích xuất dữ liệu từ các tài liệu thực tế. Các hóa đơn PDF, báo cáo 200 trang, biểu mẫu viết tay và thẻ căn cước quét thường khiến các hệ thống trí tuệ nhân tạo mạnh mẽ khác bị lỗi.

Retab, một công ty khởi nghiệp mới được thành lập bởi các kỹ sư đã trực tiếp đối mặt với vấn đề này, vừa ra mắt để giải quyết nó. Cùng với việc ra mắt công khai nền tảng của mình, công ty cũng tuyên bố đã huy động được 3,5 triệu đô la tiền vốn hạt giống do VentureFriends, Kima Ventures, và K5 Global dẫn đầu, với sự tham gia của Eric Schmidt (qua StemAI), Olivier Pomel (CEO, Datadog (DDOG )) và Florian Douetteau (CEO, Dataiku).

Thay vì trở thành một nhà cung cấp LLM khác, Retab nằm ở một lớp trên – cung cấp một nền tảng dành cho nhà phát triển về trí tuệ nhân tạo cho tài liệu cho phép người dùng xác định chính xác dữ liệu họ muốn trích xuất, sau đó xử lý toàn bộ quá trình: gán nhãn, đánh giá, kỹ thuật lời nhắc, đánh giá mô hình và định tuyến.

“Mọi người tiếp tục xây dựng các bản demo trí tuệ nhân tạo trông rất kỳ diệu nhưng lại bị hỏng trong sản xuất,” theo Louis de Benoist, đồng sáng lập và CEO của Retab. “Chúng tôi xây dựng Retab vì chúng tôi đã mệt mỏi với việc xây dựng các đường ống dễ vỡ chỉ để trích xuất một vài trường từ một tài liệu. Giờ đây, các nhà phát triển có thể tập trung vào lược đồ họ muốn – chúng tôi sẽ xử lý phần còn lại.”

Retab Thực Sự Làm Gì

Ở cốt lõi, Retab chuyển đổi tài liệu không cấu trúc – PDF, quét, biểu mẫu – thành đầu ra JSON sạch hoặc định dạng bảng mà các nhà phát triển có thể thả vào các hệ thống sản xuất. Xây dựng như một SDK và nền tảng, nó trừu tượng hóa tất cả sự phức tạp của việc xây dựng các công việc trí tuệ nhân tạo để trích xuất dữ liệu.

Các công ty sử dụng Retab chỉ cần mô tả lược đồ của dữ liệu họ muốn. Retab sau đó tự động tạo ra các tập dữ liệu đã được gán nhãn, chọn mô hình LLM tối ưu, tinh chỉnh lời nhắc và xử lý phát hiện lỗi và logic thử lại. Nó đảm bảo độ chính xác cấp sản xuất thông qua ba đổi mới cốt lõi:

• Lược đồ Tự Điều Chỉnh: Retab sử dụng một tác nhân trí tuệ nhân tạo nội bộ để kiểm tra và tinh chỉnh các hướng dẫn trích xuất lặp lại bằng cách sử dụng các ví dụ thực tế, loại bỏ nhu cầu điều chỉnh thủ công.
• Định tuyến Mô hình Thông Minh: Nền tảng này không phụ thuộc vào mô hình và tự động đánh giá trên các LLM (ví dụ: OpenAI, Anthropic, Google ), định tuyến mỗi tài liệu đến mô hình tốt nhất dựa trên chi phí, tốc độ và yêu cầu độ chính xác. Điều này đã cho phép một số người dùng cắt giảm chi phí xử lý lên đến 100 lần.
• Đồng thuận k-LLM và Lý luận Hướng dẫn: Thay vì dựa vào đầu ra của một mô hình duy nhất, Retab thực thi lý luận bước-by-bước (chuỗi suy nghĩ) và chạy nhiều mô hình song song để đạt được sự đồng thuận. Nếu sự không chắc chắn vẫn còn, nó sẽ được đánh dấu hoặc tính toán lại, mang lại sự tự tin cho các nhà phát triển trong mỗi câu trả lời.

Lớp điều phối này mang lại cho các nhà phát triển sức mạnh để chuyển đổi các luồng tài liệu dễ bị lỗi – như phân tích hợp đồng, xác minh danh tính hoặc phân tích hóa đơn – thành các hệ thống tự điều chỉnh và có thể mở rộng.

Từ Hậu Cần Đến Cơ Sở Hạ Tầng

Các sáng lập viên ban đầu đã xây dựng nền tảng của Retab trong khi tự động hóa các quy trình nội bộ cho các hoạt động nặng về tài liệu trong ngành hậu cần. Nhưng khi họ tinh chỉnh công cụ, họ nhận ra giá trị của nó vượt xa mọi trường hợp sử dụng duy nhất. Ngày nay, Retab đã được sử dụng bởi hàng chục công ty trên:

• Hậu cần: Phân tích hóa đơn vận chuyển, tờ khai hải quan và hồ sơ giao hàng
• Tài chính: Trích xuất các yếu tố rủi ro và chỉ số tài chính từ báo cáo dài
• Chăm sóc sức khỏe: Tự động hóa biểu mẫu nhập, yêu cầu và hồ sơ y tế

Một công ty vận tải đã sử dụng Retab để xác định cấu hình mô hình nhỏ nhất và nhanh nhất đáp ứng yêu cầu độ chính xác 99% – giảm chi phí tính toán và độ trễ mà không ảnh hưởng đến hiệu suất. Một công ty tài chính đã cắt giảm vài ngày trong phân tích hàng quý bằng cách sử dụng Retab để trích xuất các chỉ số rủi ro có cấu trúc từ tài liệu của nhà đầu tư.

“Nền kinh tế trí tuệ nhân tạo phụ thuộc vào việc chuyển đổi tài liệu rối rắm, có thể đọc được của con người thành dữ liệu có cấu trúc, có thể xác minh,” theo Florian Douetteau, CEO của Dataiku. “Retab là nền tảng giúp thực hiện bước nhảy đó ở quy mô.”

Nhìn Về Tương Lai

Retab hiện đang mở rộng ngoài tài liệu: các bản phát hành sắp tới sẽ cho phép người dùng trích xuất dữ liệu từ trang web và nội dung động, mở ra cánh cửa cho các trường hợp sử dụng như phân tích cạnh tranh, thu thập thông tin và tự động hóa trên tàu. Các tích hợp với các công cụ như Zapier, n8n và Dify cũng đang được thực hiện, cho phép Retab tích hợp vào các quy trình làm việc hiện có mà không cần mã tùy chỉnh.

Dài hạn, Retab nhắm đến việc trở thành lớp middleware giữa dữ liệu không cấu trúc của thế giới và các tác nhân trí tuệ nhân tạo phụ thuộc vào nó – cho dù đó là tìm kiếm doanh nghiệp, tự động hóa quy trình robot hoặc đồng nghiệp trí tuệ nhân tạo.

Mặc dù chỉ có mười nhân viên, Retab đã được công nhận là một khối xây dựng cơ bản cho các nhà phát triển xây dựng sản phẩm bản địa trí tuệ nhân tạo – không chỉ là một nhà cung cấp khác, mà là một bộ công cụ để vận hành thực tế rối ràng của dữ liệu thế giới thực.