Startup TypeSafe AI, yang ingin menggunakan probabilitas alih-alih menghasilkan teks atau kode saat membuat model AI untuk mengotomatisasi tugas, telah menggalang US$870 juta. Dalam putaran pendanaan ini, perusahaan dinilai bernilai US$7,5 miliar. Investasi tersebut dipimpin oleh Andreessen Horowitz, dengan partisipasi Sequoia dan investor lama DCVC.

Latar belakang dan konteks

Model Jev buatan TypeSafe AI meraih popularitas dengan cepat dalam beberapa minggu setelah diluncurkan pada 15 September. Perusahaan mengklaim bahwa sepertiga perusahaan Fortune 500 sudah menggunakan Jev. Ini adalah penjelasan perusahaan mengenai skala adopsi di kalangan perusahaan yang disampaikan dalam artikel; artikel tidak menjelaskan penggunaan seperti apa yang dianggap sebagai “adopsi”.

Jev didasarkan pada arsitektur transformer (struktur model AI yang memproses informasi masukan), tetapi bukan model bahasa besar (LLM, model yang dilatih menggunakan data bahasa dalam jumlah besar dan terutama menangani teks). Jev menghasilkan probabilitas, bukan teks, dan TypeSafe AI menyebutnya “keputusan terkalibrasi” (calibrated decisions). Perusahaan mengklaim bahwa Jev jauh lebih cepat daripada LLM dan menggunakan jauh lebih sedikit token (unit teks yang diproses model).

Perbedaan ini berkaitan dengan tujuan penggunaan yang dikemukakan TypeSafe AI. Perusahaan menjelaskan bahwa Jev dirancang dengan pendekatan yang cocok untuk mengotomatisasi tugas, alih-alih menghasilkan teks atau kode. Salah satu pendirinya, Diogo Almeida, mengatakan kepada TechCrunch bahwa karena komputer menggunakan bahasa yang berbeda dari manusia, kemahiran dalam bahasa manusia tidak berguna untuk otomatisasi.

TypeSafe AI didirikan bersama pada 2024 oleh mantan insinyur riset Meta, Sasha Sheng, dan insinyur sekaligus pengusaha Eric Gaffney. Almeida juga disebut sebagai salah satu pendiri; sebelumnya ia bekerja sebagai peneliti di OpenAI. Arah Jev yang berfokus pada otomatisasi pekerjaan perusahaan, bukan pembuatan teks, menjadi latar yang membuat penggalangan dana besar dan klaim adopsi perusahaan tersebut mendapat perhatian.

Arti berita ini

Berita ini menunjukkan bahwa dalam menilai AI untuk perusahaan, selain seberapa alami teks yang dihasilkannya, kesesuaian jenis keluaran untuk menangani tugas tertentu juga dapat menjadi faktor penilaian penting. Namun, pendanaan dan penilaian valuasi perusahaan berbeda dari hasil yang secara independen membuktikan kinerja model.

Sebagai contoh, jika sebuah perusahaan mempertimbangkan otomatisasi untuk membaca isi dokumen dan mengelompokkannya ke dalam kategori tugas yang telah ditentukan, perusahaan dapat menilai apakah pembuatan kalimat memang diperlukan dan apakah keluaran dalam bentuk probabilitas sesuai dengan pekerjaan tersebut. Ini adalah contoh hipotetis; artikel tidak menyebutkan kinerja Jev dalam tugas tertentu.

Klaim bahwa Jev berkecepatan tinggi dan menggunakan lebih sedikit token, serta bahwa sepertiga perusahaan Fortune 500 menggunakannya, berasal dari perusahaan. Artikel ini tidak memuat verifikasi kinerja independen yang mendukung klaim tersebut maupun kriteria penggunaan yang terperinci.

Fakta yang telah dipastikan dan hal yang belum diketahui

Fakta yang telah dipastikan

  • TypeSafe AI mengembangkan Jev, menggalang US$870 juta, dan dinilai bernilai US$7,5 miliar.
  • Putaran investasi dipimpin oleh Andreessen Horowitz, dengan partisipasi Sequoia dan investor lama DCVC.
  • Jev didasarkan pada transformer, tetapi bukan LLM, dan menghasilkan probabilitas alih-alih teks.
  • TypeSafe AI menjelaskan Jev sebagai model yang lebih cocok untuk otomatisasi tugas daripada pembuatan teks atau kode.

Hal yang belum diketahui

  • Artikel tidak menyebutkan rencana penggunaan dana US$870 juta yang berhasil dihimpun.
  • Belum dapat dipastikan apakah ada hasil verifikasi kinerja independen yang mendukung klaim perusahaan mengenai kecepatan Jev dan penggunaan tokennya.
  • Tidak diketahui kriteria penggunaan dan jumlah perusahaan yang menjadi dasar klaim bahwa sepertiga perusahaan Fortune 500 menggunakannya.

Hal yang perlu diperiksa pembaca

  • Jika mempertimbangkan penggunaan Jev, perlu terlebih dahulu dibedakan apakah tugas tersebut membutuhkan pembuatan teks atau lebih sesuai untuk otomatisasi yang memanfaatkan probabilitas.
  • Saat meninjau klaim perusahaan mengenai kecepatan dan penggunaan token, perlu memeriksa pembanding, kondisi pengukuran, dan apakah ada verifikasi independen.
  • Saat menilai kasus adopsi di perusahaan, penting untuk memeriksa definisi “penggunaan” dan cakupan pekerjaan nyata yang ditangani model.