پرش به محتوای اصلی
آخرین اخبار
۲ وایر پاداش مطالعه

رونمایی استارتاپ Levanto Labs از مدل Sage2؛ تصمیم‌گیری لحظه‌ای و استخراج داده با سرعت بالا

انتشار:۱۲ آبان ۱۴۰۵(۱ ساعت پیش)
۳ دقیقه زمان مطالعه
۰ دیدگاه
اشتراک و پسندیدن

استارتاپ Levanto Labs از مدل تخصصی Sage2 رونمایی کرد که برای تصمیم‌گیری لحظه‌ای و استخراج ساختاریافته داده‌ها طراحی شده است. این سیستم با تکیه بر اتصال استریم وب‌سوکت، زمان پاسخ‌دهی را به ۵۰ میلی‌ثانیه می‌رساند و هزینه‌های پردازش متن را به‌شکل چشمگیری کاهش می‌دهد.

رونمایی استارتاپ Levanto Labs از مدل Sage2؛ تصمیم‌گیری لحظه‌ای و استخراج داده با سرعت بالا

در یک نگاه (نکات کلیدی خبر)

خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع

  • مدل Sage2 داده‌های متنی و اسناد را به‌صورت بلادرنگ دریافت کرده و تصمیم‌های شرطی یا مقادیر ساختاریافته را همراه با ارجاع دقیق به متن بازمی‌گرداند.
  • معماری این سیستم با استفاده از اتصال وب‌سوکت و نگهداری پیش‌پردازش‌ها در سمت سرور، سرعت پاسخ‌دهی تصمیم‌ها را تا مرز ۵۰ میلی‌ثانیه افزایش داده است.
  • توسعه‌دهندگان می‌توانند از این مدل کم‌هزینه به‌جای فراخوانی مکرر مدل‌های بزرگ زبانی برای مسیریابی تیکت‌ها و اتوماسیون ایجنت‌های هوشمند استفاده کنند.

معرفی مدل

مدل Sage2 یک ابزار تخصصی برای تصمیم‌گیری و استخراج بلادرنگ داده‌ها است که توسط استارتاپ Levanto Labs معرفی شد. کاربران می‌توانند متن‌های طبیعی مانند پیام‌های پشتیبانی، تیکت‌ها یا بخش‌هایی از اسناد را به‌همراه پرسش‌ها یا ساختارهای موردنظر ارسال کنند؛ در پاسخ، مدل تصمیم‌های دقیق بله/خیر، گزینه‌های چندگانه و داده‌های ساختاریافته را همراه با موقعیت دقیق در متن مبدأ ارائه می‌دهد. این سیستم با ایجاد یک نشست استریم مبتنی بر وب‌سوکت (WebSocket)، محتوای زمینه را در سمت سرور حفظ کرده و با ورود متن‌های تازه، پاسخ‌ها را فوراً به‌روزرسانی می‌کند. به گفته Levanto Labs، این شیوه استریم حدود ۳ برابر سریع‌تر از ارزیابی مجدد کل سابقه گفتگو است و زمان استخراج داده از متن‌های کوتاه را به حدود ۱۵۰ میلی‌ثانیه و زمان ثبت تصمیم‌ها را به ۵۰ میلی‌ثانیه می‌رساند.

این مدل با پروژه تحقیقاتی Sage-A1.5 تفاوت دارد و به‌عنوان یک ابزار پایه‌ای و کاربردی برای بخش‌های پشتیبانی، فروش، معاملات مالی و حلقه‌های بازی توسعه یافته است. در حال حاضر مستندات، پنل آزمایش و صفحات معرفی محصول در دسترس قرار دارند و Levanto Labs حدود ۲۰ میلیون توکن رایگان برای ثبت‌نام کاربران جدید در نظر گرفته است.

قابلیت‌های اصلی

  • تصمیم‌گیری (Decide): تعریف پرسش‌های بله/خیر یا چندگزینه‌ای به زبان طبیعی مانند نیاز به بازگشت وجه یا ارجاع به پشتیبانی فنی، و دریافت پاسخ‌ها همراه با ضریب اطمینان برای مسیریابی خودکار تیکت‌ها.
  • استخراج ساختاریافته (Extract): تعیین فیلدهای داده مانند مبالغ مالی، تاریخ‌ها، بازه‌های زمانی و متن‌ها؛ مدل Sage2 این مقادیر را به‌همراه ضریب اطمینان و موقعیت دقیق در متن بازمی‌گرداند.
  • استریم بلادرنگ (Stream): باز نگه‌داشتن نشست گفتگو، ارسال متن‌های تازه و استفاده مجدد از محاسبات قبلی در سرور، همراه با امکان ارسال همه به‌روزرسانی‌ها یا فقط پاسخ‌های تغییریافته.
  • پشتیبانی چندحالته (Multimodal): امکان پردازش و تحلیل تصاویر در کنار ورودی‌های متنی.
  • بنچمارک Extract Bench: ارزیابی تخصصی Levanto Labs که دقت ۷۷.۸ درصدی در استخراج و ۷۲.۲ درصدی در تشخیص پاسخ‌ناپذیری را گزارش می‌کند که بالاتر از شاخص Clairic شرکت Cloudflare است؛ این بنچمارک به‌صورت متن‌باز روی گیتهاب منتشر شده است.

یکپارچه‌سازی و پیاده‌سازی

  • طراحی مستندات و ساختار API به گونه‌ای انجام شده است که ایجنت‌های کدنویسی بتوانند به‌سادگی آن را در پروژه‌ها ادغام کنند و کلیدهای قبلی Sage برای استخراج و استریم قابل استفاده هستند.
  • امکان اجرا از طریق زیرساخت پردازش امن NEAR AI و پروتکل تبادل مالی ایجنت‌ها موسوم به MPP فراهم شده است.
  • استارتاپ‌هایی نظیر Leap، Capacitr و PerpFlow از جمله پذیرندگان اولیه این ابزار معرفی شده‌اند.

شایان ذکر است که اعداد مربوط به‌سرعت، صرفه‌جویی در هزینه و نتایج بنچمارک‌ها بر پایه ادعاهای سازنده است و آزمایش‌های مستقل هنوز برای تأیید کامل آنها محدود است.

جامعه هدف و کاربردها

  • تیم‌های محصول که در مکالمات زنده پشتیبانی، سیستم‌های فروش، معاملات یا بازی‌ها به مسیریابی زیر یک ثانیه و استخراج سریع فیلدها نیاز دارند.
  • توسعه‌دهندگان ایجنت‌های هوشمند که به دنبال یک مؤلفه ارزان و تخصصی برای تصمیم‌گیری‌های بله/خیر هستند تا مجبور به فراخوانی مدل‌های بزرگ و گران‌قیمت در هر گام نباشند.
  • جریان‌های کاری مبتنی بر انطباق قانونی و مستند‌سازی که به ارجاع دقیق به متن مبدأ نیاز دارند.

راهنمای شروع به کار

  1. مراجعه به وب‌سایت levanto.ai و بخش playground.levanto.ai جهت ثبت‌نام و دریافت اعتبار اولیه رایگان.
  2. مطالعه مستندات docs.levanto.ai و آزمایش اندپوینت POST /v1/extract به‌همراه اتصال وب‌سوکت WS /v1/stream روی مکالمات واقعی.
  3. اتصال ضرایب اطمینان به منطق کسب‌وکار یا قواعد انتخاب ابزارها، و تنظیم مدل‌های عمومی‌تر یا نیروی انسانی به‌عنوان مسیر جایگزین در شرایط اطمینان پایین.
  4. امکان ارزیابی سیستم با داده‌های اختصاصی از طریق توسعه بنچمارک Extract Bench.

بازخورد و اشتراک‌گذاری این مطلب

اگر این گزارش برایتان مفید بود، با پسندیدن و اشتراک‌گذاری آن با دیگران، از محتوای تخصصی هوش مصنوعی حمایت کنید.

اشتراک‌گذاری در شبکه‌های اجتماعی:

دیدگاه ها و گفتگوی تخصصی

نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید

۰ دیدگاه

هنوز دیدگاهی برای این مطلب ثبت نشده است

اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.

مطالب مرتبط و پیشنهادی

گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند
آخرین اخبار

گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند

گزارش جدید موسسه گارتنر نشان می‌دهد مدل‌های وزن‌باز قادرند بخش عمده وظایف روزمره در عامل‌های هوش مصنوعی را با کسری از هزینه مدل‌های تجاری پیشرو اجرا کنند. تحلیلگران پیش‌بینی می‌کنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمان‌ها به این مدل‌ها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگ‌سازی عامل‌ها منتقل گردد.

۳ دقیقه مطالعه
۰
۱۲ آبان
بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد
آخرین اخبار

بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد

میم‌های اینترنتی به‌دلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شده‌اند. بنچمارک جدید MER-Bench نشان می‌دهد که مدل‌های تصویری هنوز نمی‌توانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.

۲ دقیقه مطالعه
۰
۱۲ آبان
OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند
آخرین اخبار

OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند

شرکت OpenAI با راه‌اندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیب‌پذیری‌های حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهره‌گیری از مدل‌های پیشرفته هوش مصنوعی تلاش می‌کند رخنه‌های امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.

۵ دقیقه مطالعه
۰
۱۲ آبان