ما وراء سجل الدردشة: كيف يحل Honcho تحدي التخصيص لتطبيقات LLM

تخيل أنك تشرح فيزياء الكم لجدتك، وأستاذك، ومراهقك. لن تستخدم نفس الكلمات، أو الأمثلة، أو الإيقاع لكل منهم. ستقوم بشكل غريزي بضبط طريقة تواصلك بناءً على من تتحدث إليه. هذا بالضبط هو الشيء المفقود في تطبيقات نماذج اللغة الكبيرة اليوم—وهو المشكلة الأساسية التي صممت منصة Honcho الجديدة التي أطلقتها Plastic Labs لإصلاحها.

في 11 أبريل، أعلنت شركة AI الناشئة Plastic Labs عن إتمام جولة تمويل أولي بقيمة 5.35 مليون دولار بقيادة Variant، بمشاركة White Star Capital، Betaworks، Mozilla Ventures، Seed Club Ventures، Greycroft، و Differential Ventures. كما انضم إلى الجولة مستثمرون ملائكة مثل Scott Moore، NiMA Asghari، و Thomas Howell. وفي الوقت نفسه، فتحت الشركة الوصول المبكر إلى Honcho، منصتها الشخصية للهوية الذكية المدعومة بالذكاء الاصطناعي، مما يشير إلى معلم هام في كيفية فهم تطبيقات LLM لمستخدميها أخيرًا.

الحاجة المتزايدة للتخصيص الحقيقي في تطبيقات LLM

لقد أدى النمو الهائل للبرمجيات المدعومة بـ LLM إلى مشكلة غير متوقعة: هذه التطبيقات قوية لكنها في جوهرها غير شخصية. يحتاج المساعد العلاجي إلى فهم حالتك العاطفية وأسلوب تواصلك. يجب على المعلم أن يتعرف على كيفية تعلمك بشكل أفضل. ويجب أن يفهم رفيق التسوق تفضيلاتك وأنماط تصفحك. ومع ذلك، يواجه معظم المطورين الذين يبنون هذه التطبيقات مشهدًا مجزأً بدون حل موحد.

حاليًا، يجمع الفرق أنظمة مؤقتة لتخزين بيانات المستخدم—عادةً مخفية في سجلات المحادثات—واسترجاعها عند الحاجة. كل منظمة تبدأ من الصفر، وتبني بنيتها التحتية لإدارة حالة المستخدم الخاصة بها. والنتيجة هي هدر للجهود الهندسية عبر الصناعة، مع العديد من الفرق التي تعيد اختراع العجلة نفسها. والأسوأ من ذلك، حتى عندما يستخدم المطورون طرقًا متطورة مثل قواعد البيانات الشعاعية وRAG (التوليد المعزز بالاسترجاع) (، فإنهم يمكنهم فقط استرجاع المحادثات السابقة. لا يمكنهم حقًا التقاط خصائص المستخدم الأعمق: تفضيلات التواصل، أنماط التعلم، المحفزات العاطفية، أو الفروق الشخصية.

تطبيقات العلاج، المساعدات التعليمية، منصات القراءة، وأدوات التجارة الإلكترونية تنتظر بالفعل في قائمة الاختبار المغلق لـ Honcho—مئات التطبيقات عبر سيناريوهات متعددة، جميعها تدرك نفس الاختناق.

لماذا يغير نهج Honcho القائم على العلوم المعرفية اللعبة

هنا يأتي دور Honcho كنقطة تحول. تعمل المنصة كحل جاهز للاستخدام يمكن للمطورين دمجه مباشرة في تطبيقات LLM الخاصة بهم دون الحاجة لبناء بنية إدارة حالة المستخدم من الصفر. بمجرد الاتصال، يحصل المطورون على ملفات تعريف مستخدم غنية ومستدامة تلتقط تفاصيل أكثر بكثير من الطرق التقليدية.

الفرق الرئيسي يكمن في أساس المنصة: فهي تستند إلى تقنيات متقدمة مستعارة من العلوم المعرفية. بدلاً من مجرد تخزين سجل المحادثة أو دمج تفاعلات المستخدم في قواعد البيانات الشعاعية، يبني Honcho نماذج أعمق عن من هم المستخدمون فعلاً. يمكن استعلام هذه الملفات الشخصية باستخدام اللغة الطبيعية، مما يسمح لتطبيقات LLM بضبط سلوكها، نغمتها، وأساليب تواصلها بشكل ديناميكي استنادًا إلى خصائص المستخدم الفردية.

الفائدة الهندسية واضحة: يختصر Honcho تعقيد إدارة حالة المستخدم، مما يتيح لفرق التطوير التركيز على منطق تطبيقاتهم الأساسية بدلاً من البنية التحتية. لكن الآثار تتجاوز مجرد الراحة في تطبيق واحد. الملفات الشخصية الغنية والمجردة التي ينشئها Honcho تخلق شيئًا طالما سعى إليه القطاع لكنه كافح لتحقيقه: مسار نحو طبقة بيانات مستخدم مشتركة ومتوافقة حقًا.

مشكلة طبقة البيانات المشتركة: لماذا فشلت المحاولات السابقة

تاريخيًا، تعثرت المحاولات لإنشاء طبقات بيانات مستخدم مشتركة لسببين أساسيين.

أولاً، حاجز التوافقية. تميل بيانات المستخدم التقليدية إلى أن تكون مرتبطة بشكل وثيق بسياقات تطبيق محددة ويصعب نقلها بين المنصات. شبكتك الاجتماعية على X—المعرفة بمن تتابع—تقدم قيمة قليلة لشبكتك المهنية على LinkedIn. البيانات لا تترجم. يلتقط Honcho سمات أعلى مستوى وأكثر عمومية للمستخدمين تعمل عبر أي تطبيق LLM. على سبيل المثال، إذا اكتشفت منصة تعليمية أنك تتعلم بشكل أفضل من خلال التشبيهات، فإن تلك الرؤية تصبح ذات قيمة لمساعدتك العلاجي، الذي يمكنه استخدام تقنيات السرد للتواصل بشكل أكثر فعالية. تنطبق نفس السمة عبر حالات استخدام مختلفة تمامًا.

ثانيًا، مشكلة البداية الباردة. لم تستطع طبقات المشاركة السابقة أن تكتسب زخمًا لأن المستخدمين الأوائل لم يروا فائدة فورية. جذب التطبيقات الأولى—الضرورية لتوليد بيانات مستخدم قيمة—تطلب وعدًا بشبكة لم تكن موجودة بعد. يتجنب Honcho هذا الديناميكية الدجاجة والبيضة بحل “المشكلة من الدرجة الأولى” للتطبيقات الفردية أولاً. عندما تتصل عدد كافٍ من التطبيقات، تظهر تأثيرات الشبكة بشكل طبيعي، وتبدأ مشكلة “الدرجة الثانية” في الحل من تلقاء نفسها. التطبيقات الجديدة التي تنضم إلى المنصة لا تواجه الاحتكاك في البداية؛ فهي ترث ملفات تعريف غنية بالمستخدمين من البداية وتصل إلى طبقة الذكاء المتزايدة دون الحاجة إلى تدريب نماذجها الخاصة.

بناء البنية التحتية: خارطة طريق استراتيجية لـ Plastic Labs

تعكس استراتيجية الشركة هذا النهج المرحلي. في البداية، يظل التركيز على حل تحدي إدارة حالة المستخدم الأساسية للتطبيقات الفردية. مع توسع الاعتماد وتوصيل المزيد من التطبيقات بـ Honcho، ستقوم الفريق تدريجيًا بإدخال طبقة بيانات مشتركة للتطبيقات الراغبة في المشاركة.

تقدم هذه الطبقة المشتركة هيكل حوافز مصمم حول آليات البلوكشين. التطبيقات التي تصل إلى حصص ملكية مبكرة في الطبقة نفسها، وتشارك في نموها وقيمتها الشبكية. في الوقت نفسه، تضمن بنية البلوكشين اللامركزية أن يظل النظام موثوقًا وشفافًا، مما يمنع حراس البوابة المركزيين من استخراج قيمة غير متناسبة أو تطوير منتجات منافسة تستفيد من البيانات المشتركة التي أنشأوها.

يعكس هذا النهج الدروس المستفادة من عمل الفريق السابق. عند تطوير Bloom، تطبيق الدروس الخصوصية للدروس الخصوصية عبر الدردشة، عانى فريق Plastic Labs من إحباط بناء نظام تعليم ذكي دون فهم حقيقي لأساليب تعلم الطلاب واحتياجاتهم الفردية. نشأت منصة Honcho مباشرة من هذه الرؤية—اعتراف بأن كل مطور تطبيق LLM سيواجه في النهاية نفس القيد الأساسي.

ما هو القادم: من تطبيق واحد إلى تأثير الشبكة

مئات التطبيقات التي تغطي برامج التعافي من الإدمان، التعليم، المساعدة في القراءة، ومنصات التجارة الإلكترونية مسجلة بالفعل في قائمة الانتظار لـ Honcho. كل منها يمثل حالة استخدام وقاعدة مستخدم مختلفة، لكن جميعها تشترك في الحاجة نفسها: تطبيقات LLM تفهم فعلاً من يتحدث إليها.

يُدرك Variant، كمستثمر رئيسي والشركة التي يمثلها المستشار العام Daniel Barabander الذي ساعد في صياغة رؤية Honcho، ما حققته Plastic Labs: فريق يمتلك خبرة مثبتة في نمذجة المستخدم للبرمجيات المدعومة بالذكاء الاصطناعي، ويطلق الآن بنية تحتية يمكن أن تعيد تشكيل كيفية تعامل نظام بيئة تطبيقات LLM بأكملها مع التخصيص.

تحدي التخصيص في تطبيقات LLM لم يعد نظريًا—لقد أصبح عنق الزجاجة الرئيسي الذي يحد من إنشاء تجارب ذكاء اصطناعي ذات سياق وفائدة حقيقية. يمثل Honcho أول حل متاح على نطاق واسع يعالج هذه المشكلة، مما قد يفتح حقبة جديدة من تطبيقات LLM مفرطة في التخصيص تفهم مستخدميها فعليًا.