Umělá inteligence ve formě tzv. AI agentů je v současnosti velmi populární a slibná, avšak jejich praktická spolehlivost při řešení komplexních úkolů často pokulhává za očekáváními. Nedávné testy výkonnosti ukázaly, že i ty nejpokročilejší modely stále vyžadují značný lidský dohled, aby dosáhly požadované přesnosti a spolehlivosti. Například v simulovaném korporátním prostředí dosahovaly úspěšnosti kolem 75-80 %.
Startup Plurai si klade za cíl tuto spolehlivost výrazně zvýšit, a to pomocí osvědčených metod, které přispěly k rozvoji autonomních vozidel. Jde především o rozsáhlé simulace s využitím syntetických dat, která vycházejí z digitálních systémů konkrétní společnosti. Tento přístup má modely připravit na zvládání složitých a nepředvídatelných okrajových situací. Zakladatelé Plurai, Ilan Kadar a Elad Levi, mají bohaté zkušenosti s vývojem technologií pro autonomní řízení, kde se již dříve podíleli na simulacích a vyhodnocování komplexního softwaru pro řízení vozidel. Vnímají paralelu mezi vývojem autonomních systémů a současnými AI agenty: snadné je vytvořit demonstraci, ale obtížné je dosáhnout spolehlivého a nákladově efektivního řešení. Proto se zaměřují na vybudování robustní simulační vrstvy.
Pro realizaci svých ambicí získal Plurai počáteční investice ve výši 13 milionů dolarů, což podtrhuje důvěru investorů v jejich inovativní přístup.

Potřebujete pomoc s webem nebo aplikací?
Ozvěte se mi — do 24 hodin se Vám ozvu zpět s návrhem dalšího postupu.
Podobně jako systémy pro autonomní řízení, i AI agenti jsou pravděpodobnostní systémy, které operují v ne zcela předvídatelném prostředí. Často se setkávají s problémy, kdy například při rezervaci cesty ignorují firemní rozpočtové limity, nebo mají potíže s kombinací informací z více databází, ačkoliv s jednou si poradí spolehlivě. Dlouhé interakce s chatboty mohou agenty zahltit kontextem, což vede k chybným rozhodnutím.
Plurai řeší tyto nedostatky tím, že vytváří digitální dvojče elektronických systémů společnosti. To zahrnuje jak firemní znalostní báze, tak i nástroje, ke kterým bude mít agent přístup v reálném provozu. Následně se mapují všechny možné interakční toky agentů a tento graf se využívá k přípravě modelu, včetně vyhodnocování a oprav pro potenciální okrajové situace. Tato platforma je navržena tak, aby bezproblémově fungovala s již existujícími nástroji pro vývoj agentů.
Kadar zdůrazňuje, že klíčová hodnota Plurai spočívá ve využití shromážděných dat k následnému trénování menších, otevřených modelů, které jsou šité na míru konkrétním potřebám zákazníků. Interní testy ukázaly, že modely vyvinuté tímto přístupem dokáží překonat výkonnost některých srovnatelných pokročilých modelů, a to při výrazně nižších nákladech. Proces zahrnuje rozložení složitých úkolů na menší části pomocí simulací, trénování menšího modelu a následné ověření jeho kvality, která je srovnatelná nebo vyšší než u velkých, univerzálních modelů, avšak s potenciální úsporou nákladů řádově až desetinásobně.
Reah Miyara, výzkumník v oblasti umělé inteligence, který Plurai podpořil jako soukromý investor, spatřuje konkurenční výhodu společnosti v jejím hlubokém pochopení režimů selhání v produkčním prostředí a schopnosti generovat syntetická data pro jemné doladění modelů. V době, kdy firmy usilují o optimalizaci svých výdajů na AI, může být přístup Plurai velkým přínosem, neboť je zřejmé, že univerzální modely často nejsou optimálně přizpůsobeny specifickým datům podniku a jejich dlouhodobé provozní náklady nejsou udržitelné.
Plurai věří, že paralely mezi AI agenty ve fyzickém a digitálním světě jsou prediktivní. Zatímco obecné, velmi výkonné modely AI sice dávají robotům fascinující schopnosti, stále nejsou dostatečně spolehlivé pro široké nasazení. Naproti tomu roboti pohánění AI modely vytvořenými pro specifické úkoly již fungují v terénu, slouží zákazníkům a shromažďují cenná data z reálného světa. Kadar k tomu dodává, že i ty nejchytřejší a nejpokročilejší modely AI nikdy nebudou znát specifika a interní politiky konkrétního podniku tak detailně jako modely trénované na míru.
