पाठ या कोड तैयार करने के बजाय संभावनाएँ आउटपुट करके कामों को स्वचालित करने का लक्ष्य रखने वाले स्टार्टअप TypeSafe AI ने 870 मिलियन डॉलर जुटाए हैं। इस निवेश दौर में कंपनी का मूल्यांकन 7.5 अरब डॉलर किया गया। निवेश का नेतृत्व Andreessen Horowitz ने किया और इसमें Sequoia तथा मौजूदा निवेशक DCVC ने हिस्सा लिया।

पृष्ठभूमि और संदर्भ

TypeSafe AI का मॉडल Jev, 15 सितंबर को लॉन्च होने के कुछ ही हफ्तों बाद तेज़ी से लोकप्रिय हुआ। कंपनी का दावा है कि फॉर्च्यून 500 कंपनियों में से एक-तिहाई पहले ही Jev का इस्तेमाल कर रही हैं। यह लेख में बताए गए कंपनियों द्वारा अपनाए जाने के पैमाने को लेकर कंपनी का दावा है; इसमें यह नहीं बताया गया कि किस तरह के इस्तेमाल को ‘अपनाना’ माना गया है।

Jev, ट्रांसफॉर्मर आर्किटेक्चर (इनपुट जानकारी को संसाधित करने वाली AI मॉडल संरचना) पर आधारित है, लेकिन यह बड़ा भाषा मॉडल (LLM—भाषा के बड़े पैमाने के डेटा पर प्रशिक्षित और मुख्यतः पाठ से काम करने वाला मॉडल) नहीं है। Jev पाठ के बजाय संभावनाएँ आउटपुट करता है और TypeSafe AI इसे ‘कैलिब्रेटेड निर्णय (calibrated decisions)’ कहती है। कंपनी का दावा है कि Jev, LLM से कहीं तेज़ है और बहुत कम टोकन (मॉडल द्वारा संसाधित पाठ की इकाइयाँ) इस्तेमाल करता है।

यह अंतर TypeSafe AI द्वारा बताए गए इस्तेमाल के उद्देश्य से जुड़ा है। कंपनी का कहना है कि Jev, पाठ या कोड तैयार करने के बजाय कामों को स्वचालित करने के लिए उपयुक्त है। सह-संस्थापक डिओगो अल्मेइडा ने TechCrunch से कहा कि कंप्यूटर इंसानों से अलग भाषा का इस्तेमाल करते हैं, इसलिए मानव भाषा में दक्षता स्वचालन के लिए उपयोगी नहीं है।

TypeSafe AI की स्थापना 2024 में Meta के पूर्व शोध इंजीनियर साशा शेंग और इंजीनियर एवं उद्यमी एरिक गैफनी ने सह-संस्थापक के तौर पर की थी। अल्मेइडा को भी सह-संस्थापक बताया गया है; इससे पहले वे OpenAI में शोधकर्ता थे। कंपनी के बड़े निवेश और कंपनियों द्वारा Jev अपनाने के दावों पर एक साथ ध्यान जाने की वजह यह है कि Jev की दिशा पाठ तैयार करने के बजाय कंपनियों के कामों को स्वचालित करने की है।

इस खबर का अर्थ

यह दिखाता है कि कंपनियों के लिए AI का मूल्यांकन करते समय केवल यह देखना ही अहम नहीं है कि वह कितना स्वाभाविक पाठ तैयार करता है, बल्कि यह भी मायने रख सकता है कि किसी खास काम को पूरा करने के लिए आउटपुट का कौन-सा तरीका उपयुक्त है। हालांकि, निवेश और कंपनी का मूल्यांकन, मॉडल के प्रदर्शन को स्वतंत्र रूप से साबित करने वाले नतीजों से अलग हैं।

मिसाल के तौर पर, अगर कोई कंपनी दस्तावेज़ की सामग्री पढ़कर उसे तयशुदा कामों की श्रेणियों में बाँटने का स्वचालन करना चाहती है, तो वह यह परख सकती है कि वाक्य तैयार करना वास्तव में ज़रूरी है या नहीं और संभावनाओं के रूप में आउटपुट वास्तविक काम के अनुकूल है या नहीं। यह एक काल्पनिक उदाहरण है; लेख में यह नहीं बताया गया कि Jev ने किसी खास काम में कैसा प्रदर्शन किया।

तेज़ गति, कम टोकन का इस्तेमाल और फॉर्च्यून 500 कंपनियों में से एक-तिहाई द्वारा Jev के उपयोग की बातें कंपनी के दावे हैं। लेख में इनके समर्थन में स्वतंत्र प्रदर्शन परीक्षण या इस्तेमाल के ठोस मानदंड नहीं दिए गए हैं।

पुष्ट तथ्य और वे बातें जो अभी अज्ञात हैं

पुष्ट तथ्य

  • TypeSafe AI ने Jev विकसित किया है। कंपनी ने 870 मिलियन डॉलर जुटाए और उसका मूल्यांकन 7.5 अरब डॉलर किया गया।
  • निवेश दौर का नेतृत्व Andreessen Horowitz ने किया और इसमें Sequoia तथा मौजूदा निवेशक DCVC ने हिस्सा लिया।
  • Jev, ट्रांसफॉर्मर पर आधारित है, लेकिन LLM नहीं है और पाठ के बजाय संभावनाएँ आउटपुट करता है।
  • TypeSafe AI, Jev को पाठ या कोड तैयार करने की तुलना में कामों को स्वचालित करने के लिए अधिक उपयुक्त मॉडल बताती है।

अभी अज्ञात बातें

  • लेख में यह नहीं बताया गया है कि जुटाए गए 870 मिलियन डॉलर का इस्तेमाल किन उद्देश्यों के लिए करने की योजना है।
  • यह पुष्टि नहीं हुई है कि Jev की गति और टोकन के इस्तेमाल को लेकर कंपनी के दावों के समर्थन में स्वतंत्र प्रदर्शन परीक्षण के नतीजे मौजूद हैं या नहीं।
  • यह पता नहीं है कि फॉर्च्यून 500 कंपनियों में से एक-तिहाई द्वारा इस्तेमाल के दावे में इस्तेमाल के कौन-से मानदंड और कंपनियों की कितनी संख्या शामिल है।

पाठकों के लिए जाँचने योग्य बातें

  • Jev को अपनाने पर विचार करते समय पहले यह तय करना ज़रूरी है कि संबंधित काम में पाठ तैयार करना आवश्यक है या संभावनाओं का इस्तेमाल करके स्वचालन करना अधिक उपयुक्त होगा।
  • कंपनी द्वारा बताए गए गति और टोकन के इस्तेमाल के आँकड़ों का आकलन करते समय तुलना का आधार, मापन की परिस्थितियाँ और स्वतंत्र पुष्टि की मौजूदगी जाँचनी चाहिए।
  • कंपनियों द्वारा अपनाए जाने के उदाहरणों का आकलन करते समय ‘इस्तेमाल’ की परिभाषा और वास्तविक काम में मॉडल की भूमिका की सीमा समझना अहम है।