Az AI-ügynökök teljesítménye gyakran elmarad a reklámozott képességektől: benchmarkok és független mérések szerint a komplex feladatokat végző ügynökök nem mindig eléggé megbízhatók felügyelet nélkül. A LiveBench 2.0 jelentése szerint például a Claude Fable 5.2 és a ChatGPT-6 Astra 100-ból 82,9, illetve 75,6 feladatot teljesített sikeresen, míg az EON által szimulált vállalati környezetben végzett tesztben a legjobb modell, a Claude Opus 4.8, 76,8%-os pontosságot ért el.
Ezeket a kihívásokat igyekszik orvosolni a Plurai nevű startup, amely a vezető önvezető autókat fejlesztő megközelítést – digitális szimulációk és szintetikus adatok használatát – viszi át az AI-ügynökök előkészítésébe. A cél, hogy a modelleket a vállalati rendszerek saját adatai és folyamatai alapján felkészítsék ritka vagy bonyolult szélső esetekre, mielőtt élesben dolgoznának.
Alapítók és háttér
A Plurai-t Ilan Kadar és Elad Levi alapította; mindketten korábban a Nexar kötelékében dolgoztak, amely autonóm vezetési technológiákat fejleszt. Kadar részt vett a Waymo-val végzett szimulációs és értékelési munkában is, amely az end-to-end mélytanuló vezetőszoftvereket vizsgálta. Ahogy Kadar fogalmazott a TechCrunch-nak: a demók építése könnyű, de a megbízható és költséghatékony megoldás létrehozása nehéz — erre akarják felépíteni a szimulációs réteget.
Működési elv: digitális iker és szimuláció
A Plurai megközelítése az, hogy létrehoz egy digitális ikert egy cég elektronikus rendszereiről, beleértve a tudásbázist és azokat az eszközöket, amelyekhez az ügynök a gyakorlatban hozzáférne. Ezen a térképen a cég az összes lehetséges ügynökfolyamot feltérképezi, majd a konstruktum alapján értékeléseket és javításokat futtat az előforduló szélső esetekre.
A platform együttműködik meglévő agent-eszközökkel, például Claude Code, Codex, Copilot és Cursor rendszerekkel. A probléma, amit kezelnek: az ügynökök probabilisztikus rendszerek és egy váratlan, változékony környezetben hibákba futnak — például utazásfoglalásnál figyelmen kívül hagyhatják a költési szabályzatot, több adatforrást kombinálva pontatlan válaszokat adhatnak, vagy hosszú ügyfélbeszélgetések során elveszhetnek a kontextusban.
Utótréning és költséghatékonyság
Kadar szerint a cég valódi értéke abban rejlik, hogy a szimulációk során gyűjtött adatokkal poszt-tréningeli a kis, nyílt súlyú modelleket, amelyek egyedi ügyféligényekre szabottak. A vállalat vizsgálatai Nvidia és Nebius együttműködésében azt mutatták, hogy ezek a modellek képesek teljesítményben felülmúlni a középkategóriás frontier modelleket, miközben alacsonyabb költséggel működnek.
Kadar megfogalmazása szerint: a folyamat úgy néz ki, hogy egy nagy nyelvi modellt és egy adott feladatot a szimuláció segítségével kisebb részfeladatokra bontanak, azután egy nyílt súlyú modellt betanítanak, majd a szimulációval ellenőrzik, hogy a minőség magasabb vagy legalább összehasonlítható-e a frontier modellel, miközben rendre egy vagy két nagyságrenddel csökkenhetnek a költségek.
Finanszírozás és támogatók
A startup szerdán bejelentette, hogy 13 millió dollár magvető finanszírozást szerzett a továbblépéshez. A kör vezető befektetője a Team8 volt, további résztvevők U&I, Velocity és Mercer. Reah Miyara, a Google DeepMind kutatója és a Plurai angyalbefektetője kiemelte, hogy a vállalat erőssége a gyártásban felmerülő hibamódok megértése és a szintetikus adatok előállítása a modellek finomhangolásához.
Miyara szerint, ahogy a vállalatok az AI költségeit optimalizálni próbálják, előny lehet az, hogy a „frontier-képes modellek” sokszor nem illeszkednek az adott vállalat specifikus adataihoz, és ezeknek a modelleknek a fenntartható költsége gyakran nem tartható.
Miért számít ez?
A Plurai azon analógiára épít, hogy az AI-ügynökök digitális környezete hasonlóan kezelhető szimulációval, mint az önvezető autók fizikai világa. Bár a nagy általános célú AI-modellek lenyűgöző képességeket adnak a robotoknak és ügynököknek, jelenleg még nem eléggé megbízhatóak széles körű telepítésre. Ugyanakkor a specifikus feladatokra hangolt modellek ma is működnek a terepen, ügyfelek számára gyűjtve értékes valós adathalmazokat.
Kadar összegzése szerint: bármennyire lesznek is okosak a jövőbeli OpenAI- és Anthropic-modellek, azok nem fogják automatikusan ismerni egy vállalkozás belső működését és szabályzatát — ezért van szerepe a vállalatspecifikus szimulációknak és utótréningnek.
