Cognaize 18 میلیون دلار جمع آوری می کند تا یک LLM بهتر برای بخش مالی ایجاد کند، چیزی که انسان ها را در جریان نگه می دارد.

هوش مصنوعی در طول سال‌ها تأثیر زیادی در بخش مالی داشته است و به نئوبانک‌ها کمک می‌کند تا خدمات را برای مشتریان شخصی‌سازی کنند، وام دهندگان درخواست‌های وام را ارزیابی کنند، ارائه‌دهندگان دیجیتالی تقلب و مسائل امنیتی را شناسایی کنند، تحلیلگران مدل‌سازی پیش‌بینی‌کننده برای سرمایه‌گذاری‌ها و موارد دیگر را اجرا کنند.

با این حال بسیاری از کارهایی که امروزه انجام می شود در حوزه داده های ساخت یافته است. با وجود موجی از داده های بدون ساختار در انتظار بهره برداری و استفاده در این فرآیند، یک استارت آپ نیویورکی به نام Cognaize رویکرد ترکیبی را در پیش گرفته است. این پلتفرم برای پردازش داده‌های بدون ساختار برای برنامه‌های هوش مصنوعی مالی ایجاد کرده است و این پلتفرم را با «انسان در حلقه» تکمیل می‌کند تا کار را اصلاح کند.

و امروز، 18 میلیون دلار بودجه برای گسترش کسب و کار خود با به دست آوردن مشتریان بزرگ برای خدمات خود اعلام کرده است. مشتریان شامل دو تا از سه آژانس رتبه‌بندی اعتباری بزرگ، شرکت‌های بیمه بزرگ و مشاغل خدمات مالی هستند.

Argonautic Ventures با Metaplanet و سرمایه گذاران ناشناس دیگری نیز در این دور شرکت دارند. Cognaize ارزش خود را فاش نمی کند مگر اینکه تأیید کند که در محدوده صدها میلیون است.

این بودجه صرف استخدام خواهد شد – Cognaize دارای دفاتری در آلمان و ارمنستان است – تحقیق، توسعه محصول و توسعه تجارت.

بنیانگذار Cognaize، Vahe Andonians نیز مدیر ارشد فناوری و CPO است، و او قبلا فین‌تک دیگری را تأسیس کرده بود که تجزیه و تحلیل و مدیریت ریسک را پیرامون سرمایه‌گذاری‌های اعتباری ارائه می‌کرد که در نهایت توسط Moody's خریداری شد. رویکرد او در آنجا و با Cognaize مبتنی بر این ایده است که هوش مصنوعی ممکن است بتواند کارهایی را انجام دهد که انسان‌ها نمی‌توانند، اما در عین حال نمی‌تواند جایگزین انسان‌ها شود.

فرضیه ای که Cognaize اتخاذ می کند این است که در حالی که این روزها حجم به ظاهر نامحدودی از داده ها در دسترس صنعت مالی است تا بینش بهتری در مورد خدمات، وضعیت بازار و مشتریان خود به دست آورد، اما معمولاً تنها از بخش کوچکی از آن استفاده می کند. داده، بخش ساختار یافته

این استارت‌آپ پلتفرمی ساخته است که از یادگیری عمیق که به طور خاص بر روی مدل‌های مالی آموزش دیده است و طیف بسیار گسترده‌ای از اسناد – در مجموع 1.3 میلیون – که ممکن است «سلول‌های» متفاوتی از اطلاعات روی آن‌ها وجود داشته باشد، بهره می‌برد که «خواندن» به چشم متخصص تری نیاز دارد. (این اسناد شامل درخواست های وام، اما پرونده های SEC، اسناد ESG، ارائه ها، گزارش های متولی و موارد دیگر می شود.)

این پلتفرم، به نوبه خود، توسط کارکنان انسانی، معمولاً تحلیلگران مالی، برای کمک به تصحیح مطالب خوانده شده، و نتیجه گیری و تصمیم گیری بر اساس نتایج استفاده می شود.

Al Eisaian، مدیر عامل Cognaize گفت: «اگر شما یک بانک هستید، در حال حاضر سه گزینه دارید. می‌توانید سعی کنید قابلیت‌های هوش مصنوعی را در داخل بسازید، اما آن را فراموش کنید. شما می توانید مدل عمومی هوش مصنوعی را به عنوان مثال با استفاده از ChatGPT مرور کنید و سعی کنید آن را با استفاده از ارتشی از مشاوران پیاده سازی کنید. یا گزینه سه ما هستیم. ما شما را قادر می سازیم و آموزش می دهیم.»

Eisaian، بنیانگذار شرکت‌های مکرر با خروج از شرکت‌هایی مانند VMWare در پس‌زمینه‌ی خود، بنیان‌گذار Cognaize نیست اما خیلی زود پس از شروع Cognaize به آن پیوست. دلیل تأخیر این بود که او نیاز داشت جانشینی را در آخرین شرکتی که تأسیس کرده و رهبری می کرد، یک متخصص تجزیه و تحلیل تصاویر هوایی به نام Intelinair پیدا کند.

رشد استارت آپ هایی مانند Cognaize در زمینه هوش مصنوعی موضوع مهمی را در این فضا برجسته می کند: در حالی که احتمالاً تعدادی از شرکت ها مانند OpenAI، Google، Anthropic و سایرین تغییرات بزرگی در نمودارهای دانش عمومی در هوش مصنوعی ایجاد می کنند و واقعاً “بزرگ” ایجاد می کنند. مدل‌های زبان بزرگ در فرآیند، روند به همان اندازه جالب توجه بازیکنان بسیار قوی وجود دارد که بر زمینه‌های خاص و موارد استفاده تمرکز می‌کنند. آن بازیکنان ممکن است هنوز در حال ساختن LLM های “بزرگ” باشند، اما بیشتر بر روی عمیق بودن تمرکز دارند تا گسترده بودن در حوزه خود.

بله، بزرگ‌ترین آنها ممکن است سعی کنند هر دو را انجام دهند، اما متخصصان ممکن است همیشه بتوانند به زبان مشتریان خود صحبت کنند و این ممکن است همان چیزی باشد که سرمایه‌گذاران نیز روی آن شرط می‌بندند.

Viken Douzdjian، مدیر شریک در argonautic Ventures در بیانیه‌ای گفت: «ما از شراکت با Cognaize خوشحالیم زیرا آنها از قدرت تغییردهنده هوش مصنوعی و مدل‌های زبان بزرگ (LLM) برای تأمین مالی استفاده می‌کنند. هوش مصنوعی صنایع مختلف را مختل کرده است، اما حجم انبوه داده‌های مالی بدون ساختار، موارد استفاده بی‌شماری را ایجاد می‌کند که نیاز به هوش مصنوعی مولد ویژه مالی دارد. پلتفرم Cognaize می‌تواند حجم وسیعی از داده‌های مالی بدون ساختار را پردازش کند و بینش‌هایی را با دقت و سرعت قابل‌توجهی استخراج کند، که منجر به افزایش تصمیم‌گیری، ارزیابی ریسک، و کشف الگوها و روندهایی می‌شود که قبلاً توسط پیچیدگی و خطای انسانی پنهان شده بودند. ما اعتقاد قوی به Al، Vahe و تیم Cognaize برای تعریف نحوه تعامل صنعت مالی با هوش مصنوعی داریم.

Cognaize شرکتی است که باید تماشا کرد زیرا آنها یکی از اولین شرکت هایی هستند که ارزش قابل تکرار و اندازه گیری را از طریق هوش مصنوعی در صنعت مالی ارائه می دهند. راونو میلجند، شریک مدیریت متاپلانت، اضافه کرد: سرمایه‌گذاری در Al، Vahe و کل تیم Cognaize تصمیم آسانی بود. آن‌ها قبلاً از قدرت هوش مصنوعی استفاده کرده‌اند که با رشد غبطه‌انگیز کسب‌وکار Cognaize، رهبران جهانی در امور مالی که قبلاً به عنوان مشتری تضمین کرده‌اند و نقشه راه فناوری بی‌نظیرشان نشان داده است. آنها به سرعت در حال بازتعریف این هستند که چگونه صنعت مالی می تواند از هوش مصنوعی مدرن برای استفاده از قدرت داده های خود برای کاهش چشمگیر هزینه ها و در عین حال ایجاد مزیت رقابتی جدید استفاده کند.

البته قانع‌کننده‌ترین استدلال‌ها برای رویکردهای هدفمندتر این است که نتایج بهتری به دست می‌آورند و به طور خاص در مورد نیازهای یک شرکت آموزش می‌بینند. اما همچنین، با توجه به پارامترهای کوچکتر LLMهای آنها که به توان محاسباتی کمتری نیاز دارند، ممکن است هزینه کمتری برای اجرا داشته باشند.

آندونیانس گفت: «همیشه فرصت‌ها وجود دارد، زیرا ما چابک‌تر و متمرکزتر هستیم. “این به ما برتری می دهد.”

او پس از مکثی اضافه کرد: «با این حال، فقط پارانوئیدها زنده می مانند و بنابراین ما از چیزهایی مانند ChatGPT نیز در جایی که منطقی است استفاده می کنیم.