Plurai zbiera 13 mln dolarów na testowanie agentów AI w cyfrowych światach
Spis treści
Startup Plurai pozyskał 13 mln dolarów w rundzie zalążkowej na rozwój platformy, która ma testować agentów AI w symulowanych środowiskach odwzorowujących firmowe systemy, dane i reguły. Rundzie przewodził Team8, a uczestniczyły w niej także U&I, Velocity i Mercer, podał TechCrunch.
Pomysł założycieli opiera się na doświadczeniach z systemami autonomicznej jazdy. Ilan Kadar i Elad Levi pracowali wcześniej w Nexar, a Kadar współpracował z Waymo przy symulowaniu i ocenianiu oprogramowania wykorzystującego głębokie uczenie. Ich zdaniem agenta łatwo pokazać w efektownym demie, ale znacznie trudniej zapewnić mu powtarzalność, rozsądny koszt i odporność na nietypowe sytuacje.
Cyfrowy bliźniak zamiast testu na kilku przykładach
Plurai tworzy cyfrowy bliźniak środowiska, w którym agent ma działać. Obejmuje on między innymi bazę wiedzy, dokumenty, narzędzia oraz wybrane usługi i bazy danych. Platforma buduje następnie graf możliwych ścieżek działania i generuje scenariusze z syntetycznymi użytkownikami oraz kontrolowanymi, pozorowanymi usługami. Dzięki temu zespół może sprawdzać nie tylko szczęśliwy przebieg zadania, lecz także sytuacje, w których agent narusza politykę wydatków, gubi kontekst rozmowy albo musi połączyć informacje z kilku źródeł.
Na oficjalnej stronie firma opisuje działanie w izolowanej piaskownicy, która nie dotyka produkcji i pozwala powtarzać testy w tym samym stanie. Plurai deklaruje też analizę przyczyn błędów, wskazywanie miejsc wymagających poprawy oraz włączanie poprawek do pętli regresji. Narzędzie ma współpracować między innymi z Claude Code, GitHub Copilot CLI, OpenAI Codex i Cursor.
Mniejsze modele mają obniżyć koszt działania
Symulacja ma być dla Plurai nie tylko warstwą kontroli jakości. Dane z testów startup chce wykorzystywać do dalszego trenowania mniejszych modeli o otwartych wagach, dopasowanych do konkretnego zadania i zasad obowiązujących w danej firmie. Kadar twierdzi, że taki model może osiągnąć jakość porównywalną z większym modelem ogólnego przeznaczenia przy niższym koszcie, ale jest to deklaracja firmy, a nie niezależny wynik przedstawiony w tym komunikacie.
To podejście odpowiada na praktyczny problem wdrożeń AI. Nawet bardzo dobry model ogólny nie zna automatycznie procedur, wyjątków i priorytetów konkretnej organizacji. Zestaw realistycznych scenariuszy może więc pomóc wykryć błędy wcześniej, choć nie zastępuje monitorowania prawdziwych interakcji po uruchomieniu systemu.
Źródła
Autor Artykułu
Paweł Lisowski
Paweł Lisowski - pasjonat technologii, komputerów i internetu. Od wielu lat śledzi rozwój sprzętu i oprogramowania, testuje nowe rozwiązania i dzieli się wiedzą z czytelnikami. Zafascynowany wpływem technologii na codzienne życie, tworzy praktyczne poradniki i inspiruje do świadomego korzystania z cyfrowego świata.