چگونه Typewise پس از چرخش به بهره‌وری B2B وارد YC شد – TechCrunch

استارت آپ سوئیسی به صورت تایپی قدرت چسبیدن به آن را نشان می‌دهد: تیم پشت فناوری پیش‌بینی متن ثبت‌شده – که شیفتگی آنها به بهره‌وری تایپ بیش از پنج سال پیش با تمرکز بر روی صفحه‌کلید مصرف‌کننده آغاز شد – از Y Combinator حمایت کرده و در گروه خواهد بود. ارائه به سرمایه گذاران در طول روز نمایشی تابستان 2022 شتاب دهنده در اوایل ماه آینده.

Typewise پس از تمرکز کامل روی بازار B2B – با هدف ارائه تقاضا برای افزایش بهره وری تایپ در زمینه هایی مانند خدمات مشتری و فروش، به ازای بنیانگذار دیوید ابرل، جایگاهی در YC (و پشتوانه استاندارد 500000 دلاری آن) کسب کرد.

او به TechCrunch می‌گوید: «سال گذشته متوجه شدیم که این کار در کجا بسیار منطقی است. «مشتریان چند جمله را اینجا و آنجا در واتس اپ تایپ می کنند و واقعاً اهمیت زیادی به 20 یا 30 درصد سریعتر بودن یا کمتر کردن یک یا دو اشتباه تایپی ندارند. اما کسب‌وکارها – به‌ویژه جاهایی که نوشته‌های زیادی اتفاق می‌افتد، مانند خدمات مشتری و فروش – اینجاست که حتی درصدهای تک رقمی اهمیت زیادی دارند و حتی دو رقمی‌تر.»

او می افزاید: «از آنجایی که این ارتباط با مشتری است، پس کیفیت نیز اهمیت زیادی دارد – زیرا می تواند بر شهرت یک برند نیز تأثیر بگذارد. “بنابراین، در پایان، ما را به YC رساند.”

در سال 2020، Typewise مبلغی را که در آن زمان به عنوان بذر در نظر گرفته بود افزایش داد – 1 میلیون دلار – اما Eberle تأیید می کند که اکنون آن را بیشتر به عنوان یک پیش تولید طبقه بندی می کند و زمانی که سرمایه گذاران را در سپتامبر عرضه می کند، به دنبال افزایش یک بذر تازه است.

علیرغم تغییر تمرکز کامل روی B2B، برنامه مصرف کننده Typewise – که بیش از 2 میلیون بار دانلود شده است – تلاش تیم را هدر نداد. این به آنها کمک کرد تا مدل‌های هوش مصنوعی خود را در Eberle “تنظیم دقیق” کنند – که به نوبه خود باعث شد تا بتواند حق اختراع دوم را در اوایل امسال برای فناوری ثبت کند که می‌تواند کل جملات و نه فقط کلمات بعدی را پیش‌بینی کند.

پیش‌بینی جملات اکنون یک نقطه اصلی فروش است که زیربنای افزایش بهره‌وری است که در مورد یک مشتری اولیه Typewise – یک شرکت تحویل بسته/تدارکات که طولانی‌ترین مدت با آن کار می‌کند – چند هفته پس از آن به 35٪ (به طور متوسط) رسید. تجارت شروع به استفاده از این فناوری کرد.

سایر مشتریان اولیه طیف وسیعی از صنایع از جمله تجارت الکترونیک، خرده فروشی و بیمه را در بر می گیرند.

Typewise فناوری خود را به عنوان یک افزونه مرورگر به مشتریان ارائه می دهد – که Eberle می گوید با یک API سمت سرور کار می کند که هوش مصنوعی در آن قرار دارد – اما کل بسته برای اجرا بر روی سیستم های CRM مشتری، مانند Salesforce یا Zendesk طراحی شده است و متن Typewise را یکپارچه می کند. پیش‌بینی‌ها در یک سیستم مشتری مرتبط، مانند ایمیل یا چت زنده (به عنوان مثال، مکان‌هایی که نمایندگان تجاری با مشتریان خود از طریق متن صحبت می‌کنند).

به‌طور متوسط، 10 کاربر اولیه MVP آن – که در بهار امسال راه‌اندازی شد – بین 10 تا 20 درصد میانگین سود حاصل از ادغام فناوری پیش‌بینی متن در گردش کار خود را مشاهده می‌کنند. اما او می‌گوید مطمئن است که رقم بالاتر (35 درصد) معیار خواهد بود، نه پرت، زیرا Typewise پارامترهای مدل‌های خود را تغییر می‌دهد یا در غیر این صورت آن را بر اساس داده‌ها و نیاز مشتری تنظیم می‌کند (و از آنجایی که کارکنان مشتری به استفاده از هوش مصنوعی عادت می‌کنند. -ابزار پیش‌بینی متن قدرتمند).

Eberle در پاسخ به سوالی درباره تفاوت در مقایسه با سایر فناوری‌های پیش‌بینی متن، خاطرنشان می‌کند که Typewise هم یک مدل زبان پایه را ارائه می‌کند (40 زبان را پوشش می‌دهد، اگرچه مشتریان اولیه روی انگلیسی و آلمانی تمرکز می‌کنند) – اما همچنین مدل خود را بر روی داده‌های واقعی مشتری بازآموزی و اصلاح می‌کند. . این بدان معناست که می‌تواند پیش‌بینی‌های سفارشی‌سازی شده را ارائه دهد، که به گفته او تقریباً 2.5 برابر دقیق‌تر از یک هوش مصنوعی پیش‌بینی کلمه بعدی عمومی است، مانند آنچه ممکن است در سیستم‌عامل تلفن همراه یا کلاینت ایمیل شما ساخته شده باشد، که بر روی داده‌های خاص مشتری آموزش داده نشده است.

برای مثال، ما تمام بلیط‌های خدمات مشتری را در یکی دو سال گذشته بررسی می‌کنیم و آن‌ها را می‌گیریم و فرآیند فیلتر پیچیده‌ای وجود دارد (زیرا ممکن است مجبور باشید زبانی با کیفیت بد را که نمی‌خواهید در خود بگنجانید حذف کنید. مجموعه های آموزشی)» او می گوید. و بعد از آن هوش مصنوعی خود را روی داده‌های مشتری اصلاح می‌کند و… اگر پیش‌بینی ما را با پیش‌بینی Gmail مقایسه کنید، جایی که جملات بسیار استاندارد هستند، محتوای واقعی دریافت می‌کنیم.»

Typewise همچنین ممکن است مدل های هوش مصنوعی خود را بسته به زمینه زبانی تقسیم بندی کند – زیرا برای مثال، زبان ایمیل یک کسب و کار با مشتریانش ممکن است در مقایسه با چت متنی زنده (که احتمالاً روان تر و غیر رسمی تر است و غیره) متفاوت باشد. بنابراین، ساختار پس‌زمینه زیادی از ورودی‌های داده‌های مشتری و مجموعه‌های داده را انجام می‌دهد تا بتواند پیش‌بینی‌های متنی مناسب‌تری (و بنابراین سازنده‌تر) ایجاد کند – که شامل استفاده از فناوری یادگیری ماشین برای کمک به خودکارسازی ساختار داده‌های لازم است.

Eberle تکرار می‌کند: «این محتوای واقعی است، زیرا ما دامنه را به یک مورد استفاده بسیار خاص محدود می‌کنیم،» و پیشنهاد می‌کند که این رویکرد به آن برتری خاصی نسبت به استارت‌آپ‌هایی می‌دهد که بر یک مدل زبان مولد مانند GPT-2 یا GPT-3 متکی هستند. برای قدرت پیش بینی متن برای بازی B2B خود.

او همچنین تاکید می‌کند که این محصول به‌گونه‌ای ساخته شده است که فرآیند آموزش هوش مصنوعی در سیستم‌های مشتری انجام می‌شود – به جای اینکه آنها نیاز به آپلود مجموعه‌ای از داده‌های مشتری داشته باشند. (توجه: تجزیه و تحلیل عملکرد مدل ممکن است همچنان مستلزم ارسال داده‌ها به Typewise باشد، اما Eberle می‌گوید که چند سطح را ارائه می‌دهد، بنابراین اگر مشتری ترجیح می‌دهد این کار را انجام ندهد، ممکن است این فرآیند شامل آپلود محتوای واقعی مشتری نباشد.)

بدیهی است که اکنون همه شرکت‌های جدید روی کمک زبان، ابزارهای بازنویسی، تلاش برای بهینه‌سازی زبان، ارائه پیشنهادات به شما کار می‌کنند. [etc.]و بسیاری از آنها از GPT-3 به عنوان فناوری خود استفاده می کنند. آنها فناوری خود را ندارند … و نقطه ضعف آن مثلاً الف [large telco] یا شرکت بیمه قرار نیست فقط تمام ارتباطات مشتری خود را برای آموزش هوش مصنوعی به شما تحویل دهد. بنابراین روشی که ما انجام می‌دهیم این است که تقریباً می‌توانیم نمونه‌ای از هوش مصنوعی را در زیرساخت فناوری اطلاعات مشتری مستقر کنیم و به این ترتیب تمام داده‌های مشتری در سازمان باقی می‌ماند، اما هوش مصنوعی ما به نوعی بخشی از ساختار داده‌های آن‌ها می‌شود.» وی افزود: “و اینگونه است که ما هرگونه امنیت فناوری اطلاعات و مسائل مربوط به حریم خصوصی داده ها را که احتمالاً در غیر این صورت این امر را تقریبا غیرممکن می کند، دور می زنیم.”

تأخیر یکی از چالش‌های کلیدی Typewise است، با توجه به اینکه پیش‌بینی‌های متنی آن باید در زمان چت‌های متنی زنده به‌روزرسانی شود تا برای عوامل انسانی مفید باشد (به‌جای ناامیدکننده) که این فناوری با قدرت‌های سرعت تایپ فوق‌انسانی آغشته می‌کند. Eberle می‌گوید روی بهینه‌سازی تأخیر تمرکز کرده است و این به آن برتری در مقابل ابزارهای تولید متن می‌دهد که کاهش واقعاً زمان پردازش را در اولویت قرار نداده‌اند.

او خاطرنشان می کند: «در حال حاضر مورد استفاده ما این است که در حال تعامل با یک انسان هستیم و از نظر فناوری با تولید متن بسیار متفاوت است. «از آنجایی که ما باید تأخیر بسیار پایینی داشته باشد – نمی‌توانیم 300 یا 500 میلی‌ثانیه صبر کنیم، که این نیز بسیار کم به نظر می‌رسد. اما پس از هر بار زدن کلید، بلافاصله باید پیش بینی را به روز کنیم. در غیر این صورت برای انسان غیر قابل استفاده می شود. بنابراین تأخیر باید حدود 50 میلی ثانیه یا حتی کمتر باشد.

بنابراین در پس‌زمینه، این یکی از محدودیت‌های بزرگ و یکی از چالش‌های ایجاد این است.»

از توانایی پیش‌بینی جملات کامل در حین تایپ کردن یک انسان، Typewise می‌تواند توسعه بیشتر فناوری خود را در نظر بگیرد تا بتواند به طور کامل کامنت‌های مشتری را برای مشتریان خود خودکار کند – حداقل در بخش‌های خاص، مثلاً ایمیل‌های خدمات مشتری برای یک شرکت تحویل بسته. یا چت زنده برای فروش بیمه؟

Eberle به این سوال پاسخ می دهد و می گوید یکی از ویژگی های بعدی در نقشه راه خود “چیزی به سمت پاسخ خودکار” است – فراتر از انواع پاسخ های “از پیش تعیین شده” مبتنی بر الگو که می تواند یک ایمیل خودکار را با درجه ای از زمینه ایجاد کند. ارتباط اما جایی که “پاسخی که دریافت می کنید همیشه بر اساس یک الگوی از پیش نوشته شده است.”

آنچه که ما از بسیاری از شرکت ها می شنویم [is] این چیزی است که مشتریان آنها قدردان آن نیستند. ما آینده را چگونه می بینیم که با بلوغ بیشتر… برای نوع خاصی از بلیط… در نهایت خواهیم دید که برای سوالات خاص… 99 درصد یا حتی با دقت بالاتر به آن پاسخ می دهند و سپس می توانید فقط خودکار کنید و بگویید خوب نیستید. به محض اینکه آستانه یقین بالاتر از تعداد معینی باشد، دیگر به انسان نیاز دارید.

اما تفاوت این است که روشی که ما آن ایمیل‌ها را تولید می‌کنیم بر اساس یک متن از پیش نوشته شده نیست – ما آن را از پایین به بالا می‌سازیم. کلمه به کلمه آن را می سازیم. همانطور که یک انسان آن را می سازد. هوش مصنوعی اینگونه کار می کند – ما چگونه آن را ساختیم.

“در حال حاضر با این یک مشتری که ذکر کردم، به 35٪ اتوماسیون رسیدیم – بنابراین 35٪ به طور متوسط ​​​​ایمیل ها به طور خودکار توسط Typewise نوشته می شدند و امیدواریم این درصد افزایش یابد. این چیزی است که ما روی آن کار می کنیم.» او ادامه می دهد. «بنابراین در حال حاضر نمی‌تواند به تنهایی یک ایمیل کامل با پنج پیام محتوای مختلف را بدون مشارکت انسانی تکمیل کند، اما بدیهی است که با گذشت زمان، زیرا این 35 درصد بیشتر می‌شوند، این اتفاق خواهد افتاد – و من فکر می‌کنم هدف نیز همین است. در پایان.”

در جبهه رقابت، غول‌های فناوری مانند مایکروسافت و گوگل البته کارهای مشابهی از نظر فناوری در مورد پیش‌بینی متن انجام می‌دهند – اما معمولاً برای محصولات خودشان. اگرچه این می تواند تغییر کند. ابرل خاطرنشان می کند: «بنابراین این چیزی است که ما از نزدیک دنبال می کنیم.

او همچنین پیش بینی می کند (ha!) Grammerly ممکن است به ارائه پیش بینی متن گسترش یابد. او پیشنهاد می‌کند: «آن‌ها در حال حاضر پیش‌بینی متن ندارند، اما من کاملاً مطمئن هستم که به عنوان ارزشمندترین ابزار زبانی، به احتمال زیاد به آن منطقه نیز حرکت خواهند کرد». و من تمایز ما را واقعاً به‌عنوان سفارشی‌سازی و توانایی انجام این کار با تمام نگرانی‌های مربوط به حریم خصوصی داده‌ها می‌دانم.»

یکی دیگر از محصولات رقیب که او نامش را بررسی می کند Wordtune با منابع خوب (ساخته شده توسط AI21 Labs) به همراه یک استارت آپ هلندی است. میز عمیق.

اما او همچنین به ویژگی‌های «ارزش افزوده» در خط لوله Typewise اشاره می‌کند که تمایز آن را گسترش می‌دهد – مانند نگاشت امتیازات رضایت مشتری به انتخاب‌ها/سبک‌های زبان برای شناسایی بهترین رویکردهای زبانی که منجر به رضایت مشتریان می‌شود.