Dust je nový startup s umělou inteligencí se sídlem ve Francii, který pracuje na zlepšení týmové produktivity tím, že rozbije interní sila, zpřístupňuje důležité znalosti a poskytuje nástroje pro vytváření vlastních interních aplikací. Ve svém jádru Dust používá velké jazykové modely (LLM) na interních firemních datech, aby členům týmu poskytl nové superschopnosti.
Společnost spoluzaložili Gabriel Hubert a Stanislas Polu, kteří se znají více než deset let. Jejich první startup se jmenoval Totems a Stripe ho získal v roce 2015. Poté oba strávili pár let prací pro Stripe, než se rozešli.
Stanislas Polu nastoupil do OpenAI, kde tři roky pracoval na rozumových schopnostech LLM, zatímco Gabriel Hubert se stal vedoucím produktu ve společnosti Alan.
Znovu se spojili, aby vytvořili Dust. Na rozdíl od mnoha AI startupů se Dust nezaměřuje na vytváření nových velkých jazykových modelů. Místo toho chce společnost stavět aplikace na LLM vyvinutých OpenAI, Cohere, AI21 atd.
Tým nejprve pracoval na platformě, kterou lze použít k návrhu a nasazení aplikací velkých jazykových modelů. Poté zaměřila své úsilí na jeden konkrétní případ použití – centralizaci a indexaci interních dat tak, aby je mohla používat LLM.
Od interního ChatGPT po software nové generace
Existuje několik konektorů, které neustále načítají interní data z Notion, Slack, GitHub a Google Drive. Tato data jsou poté indexována a lze je použít pro sémantické vyhledávací dotazy. Když chce uživatel něco udělat s aplikací poháněnou prachem, Dust najde relevantní interní data, použije je jako kontext LLM a vrátí odpověď.
Řekněme například, že jste právě vstoupili do společnosti a pracujete na projektu, který byl zahájen před chvílí. Pokud vaše společnost podporuje transparentnost komunikace, budete chtít najít informace ve stávajících interních datech. Ale interní znalostní báze nemusí být aktuální. Nebo může být těžké najít důvod, proč se něco dělá tímto způsobem, jak se o tom mluvilo v archivovaném kanálu Slack.
Dust není jen lepší nástroj pro interní vyhledávání, protože nevrací pouze výsledky vyhledávání. Dokáže najít informace z různých zdrojů dat a formátovat odpovědi způsobem, který je pro vás mnohem užitečnější. Může být použit jako jakýsi interní ChatGPT, ale může být také použit jako základ nových interních nástrojů.
“Jsme přesvědčeni, že rozhraní přirozeného jazyka naruší software,” řekl mi Gabriel Hubert. „Za pět let by bylo zklamáním, kdybyste stále museli klikat na Upravit, Nastavení, Předvolby, abyste se rozhodli, že se váš software má chovat jinak. Vidíme, že mnohem více našeho softwaru se přizpůsobuje vašim individuálním potřebám, protože takoví jste vy, ale také proto, že takový je váš tým – protože taková je vaše společnost.“
Společnost spolupracuje s designovými partnery na několika způsobech implementace a balení platformy Dust. „Myslíme si, že v této oblasti podnikových dat, znalostních pracovníků a modelů, které lze použít k jejich podpoře, lze vytvořit mnoho různých produktů,“ řekl mi Polu.
Na Dust je ještě brzy, ale startup zkoumá zajímavý problém. Před námi je mnoho výzev, pokud jde o uchovávání dat, halucinace a všechny problémy, které s sebou LLM přináší. Možná se halucinace stanou menším problémem, jak se LLM vyvíjejí. Možná Dust nakonec vytvoří vlastní LLM z důvodů ochrany osobních údajů.
Dust získal 5,5 milionu dolarů (5 milionů eur) v počátečním kole vedeném Sequoia s XYZ, GG1, Seedcamp, Connect, Motier Ventures, Tiny Supercomputer a AI Grant. Zúčastnilo se také několik business angels, jako Olivier Pomel z Datadog, Julien Codorniou, Julien Chaumond z Hugging Face, Mathilde Collin z Front, Charles Gorintin a Jean-Charles Samuelian-Werve z Alan, Eléonore Crespo a Romain Niccoli z Pigment, Nicolas Brusson z BlaBlaCar, Howie Liu z Airtable, Matthieu Rouif z PhotoRoom, Igor Babuschkin a Irwan Bello.
Pokud uděláte krok zpět, Dust sází na to, že LLM výrazně změní fungování společností. Produkt jako Dust funguje ještě lépe ve společnosti, která podporuje radikální transparentnost namísto uchovávání informací, písemnou komunikaci namísto nekonečných schůzek, autonomii namísto řízení shora dolů.
Pokud LLM splní svůj slib a výrazně zvýší produktivitu, některé společnosti získají nespravedlivou výhodu přijetím těchto hodnot, protože prach odemkne mnoho nevyužitého potenciálu pro znalostní pracovníky.