ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ AI အေးဂျင့်များကိုအကဲဖြတ်ရန် အတုယူ၍ ဒစ်ဂျစ်တယ်ပတ်ဝန်းကျင်များကိုတည်ဆောက်သည့် Patronus AI သည် ယုံကြည်စိတ်ချရသောအေးဂျင့်စမ်းသပ်မှုတောင်းဆိုမှုမြင့်တက်လာသည်နှင့်အမျှ Series B တွင် $50 သန်းရရှိခဲ့သည်။ Notable Capital၊ Lightspeed၊ Datadog နှင့် Samsung တို့မှ ပူးပေါင်းပါဝင်မှုဖြင့် Greenfield Partners မှ ဦးဆောင်ခဲ့ပြီး TechCrunch က ကုမ္ပဏီ၏ စုစုပေါင်းရန်ပုံငွေ ဒေါ်လာ သန်း 70 ကို ယူဆောင်လာခဲ့သည်။

ပြဿနာအသစ်- ဖြတ်လမ်းများယူသော အေးဂျင့်များ For more context on this story, see our ongoing breaking AI news.

AI အေးဂျင့်များသည် မေးခွန်းများကို ဖြေဆိုခြင်းမှ ရှုပ်ထွေးသော၊ အဆင့်ပေါင်းများစွာ အလုပ်များကို အလိုအလျောက် အကောင်အထည်ဖော်ရန်၊ မော်ဒယ်ဝန်ဆောင်မှုပေးသူများနှင့် စတင်တည်ဆောက်သူများသည် ထိုအေးဂျင့်များသည် များပြားလှသော အခြေအနေများတွင် ယုံကြည်စိတ်ချစွာ လုပ်ဆောင်နိုင်မည်ဟု အာမခံချက် လိုအပ်ပါသည်။ AI ဓာတ်ခွဲခန်းများသည် မော်ဒယ်တစ်ဦး၏ စွမ်းဆောင်ရည်ကို ပြသရန် စံနှုန်းများကို မကြာခဏ အသုံးပြုလေ့ရှိသော်လည်း အေးဂျင့်ကို ဦးတည်သည့် စံနှုန်းတစ်ခုတွင် ရမှတ်များ မြင့်မားနေခြင်းသည် AI သည် လက်တွေ့ကမ္ဘာမှ အလုပ်များကို မှန်ကန်စွာ ပြီးမြောက်စေနိုင်ကြောင်း သက်သေမပြနိုင်ပေ။

ထိုကွာဟချက်မှာ Patronus AI အာရုံစိုက်ရာနေရာဖြစ်သည်။ Meta AI သုတေသီဟောင်း Anand Kannappan နှင့် Rebecca Qian တို့မှ 2023 ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့ပြီး San Francisco အခြေစိုက် ကုမ္ပဏီသည် သင်တန်းပြီးနောက် အေးဂျင့်များကို ဖိစီးမှုစမ်းသပ်စစ်ဆေးသည့် ဝဘ်ဆိုက်များနှင့် အတွင်းပိုင်းစနစ်များ၏ ပုံတူများကို ဖန်တီးပါသည်။ အေးဂျင့်များကို အားဖြည့်သင်ကြားမှုကို အသုံးပြု၍ အကဲဖြတ်ခြင်းဖြစ်ပြီး၊ အောင်မြင်သောအလုပ်ပြီးမြောက်မှုကို ထပ်ခါတလဲလဲ ဆုချပြီး အမှားများကို အပြစ်ပေးသည်။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များမှ ချေးငှားခြင်း။

ကုမ္ပဏီသည် Waymo မောင်းသူမဲ့ကားများကို လေ့ကျင့်သင်ကြားပုံ၊ ပြင်းထန်သော ရာသီဥတု သို့မဟုတ် ဘောလုံးနောက်မှ ပြေးနေသည့် ကလေးကဲ့သို့သော ရှားပါးအန္တရာယ်များကို စမ်းသပ်ရန် ဓာတုကမ္ဘာများကို ပထမဆုံးတည်ဆောက်သည့် မော်တော်ယာဉ်များကို စမ်းသပ်ရန် ၎င်း၏ချဉ်းကပ်ပုံကို နှိုင်းယှဉ်ထားသည်။ AI အေးဂျင့်များနှင့် အဓိကကွာခြားချက်မှာ ၎င်းတို့သည် ဖြတ်လမ်းများကို ယူလေ့ရှိကြပြီး၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် အောင်မြင်သည့်အချိန်၌ပင် အလုပ်များကို မှန်ကန်စွာ ပြီးမြောက်ရန် ပျက်ကွက်ခြင်းဖြစ်သည်။

"Patronus သည် ဟက်ကာများကို တွေ့ရှိပြီး မော်ဒယ်များကို တာဝန်ယူကြောင်း သေချာစေခြင်း" ဟု Notable Capital မှ မန်နေးဂျင်း ဒါရိုက်တာ Glenn Solomon က ပြောကြားခဲ့သည်။ Solomon သည် ကုမ္ပဏီ၏ အသွင်တူသော ပတ်ဝန်းကျင်များ အတွက် လိုအပ်ချက်ကို မကျေနပ်နိုင်လောက်ကြောင်း ဖော်ပြခဲ့သည်။ နယ်ခြား AI ဓာတ်ခွဲခန်းတိုင်းနီးပါးနှင့် ပေါ်ပေါက်လာသော startup အများအပြားသည် ယခုအခါ ဖောက်သည်များဖြစ်ကြပြီး Patronus ၏ ၀င်ငွေသည် ပြီးခဲ့သောနှစ်တွင် 15 ဆတိုးလာခဲ့သည်။

အတည်ပြုနိုင်သော အလုပ်များကို ကျော်လွန်၍ ချဲ့ထွင်ခြင်း။

Patronus သည် လက်ရှိတွင် ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာနှင့် ဘဏ္ဍာရေးအတွက် ၎င်း၏ပုံတူဒစ်ဂျစ်တယ်ကမ္ဘာများကို ထောက်ပံ့ပေးထားပြီး၊ ရလဒ်များကို အတည်ပြုရန် အတော်လေးလွယ်ကူသော ဒိုမိန်းနှစ်ခုဖြစ်သည်။ ဒါပေမယ့် ကုမ္ပဏီက ဒါတွေကို အစလို့ မြင်ပါတယ်။ "ဒီနေ့မှာတော့ စိစစ်လို့ရနိုင်တဲ့ ပြဿနာတွေ၊ သင်ချက်ချင်း စစ်ဆေးအတည်ပြုနိုင်တဲ့ ပြဿနာတွေကို ကျွန်တော်တို့ အရမ်းအာရုံစိုက်နေပါတယ်၊ ဒါပေမယ့် အတည်မပြုနိုင်တဲ့ ဒါမှမဟုတ် အတည်ပြုရခက်ခဲတဲ့ ဧရိယာတွေ အများကြီးရှိပါတယ်" ဟု Kannappan မှ ပြောကြားခဲ့သည်။

ရည်မှန်းချက်သည် ရှည်လျားသော မိုးကုတ်စက်ဝိုင်းများတစ်လျှောက် အေးဂျင့်များကို စမ်းသပ်ရန် လုံလောက်သော များပြားလှသော ပတ်ဝန်းကျင်များကို တည်ဆောက်ရန်ဖြစ်သည်။ "ကျွန်ုပ်တို့သည် 10 နာရီ သို့မဟုတ် 10 ရက် သို့မဟုတ် 10 ပတ်ကြာအလုပ်လုပ်နိုင်သောအေးဂျင့်ကိုသင်လည်ပတ်နိုင်သည့်ပတ်ဝန်းကျင်ကိုတကယ်ဖန်တီးလိုသည်" ဟု Kannappan မှပြောကြားခဲ့သည်။ လုပ်ငန်းစဉ်များသည် ရိုးရှင်းသည်ဟု မဆိုလိုဘဲ၊ ရက်ကြာရှည်သော အလုပ်အသွားအလာများမှတဆင့် တစ်စိတ်တစ်ပိုင်း ပျက်ကွက်နေသော အေးဂျင့်ကို ဖမ်းဆုပ်နိုင်မှုသည် ကုမ္ပဏီ၏ တန်ဖိုးအဆိုပြုချက်အတွက် အဓိကကျသောကြောင့် ဖြစ်သည်။

ပိုမိုကျယ်ပြန့်သော AI လုပ်ငန်းသည် တိုးတက်မှုကို တိုင်းတာသည့်နည်းဖြင့် လုံးထွေးနေချိန်တွင် ရန်ပုံငွေလည်း ရောက်ရှိလာပါသည်။ Benchmark ရမှတ်များသည် ပြိုင်ဆိုင်သည့်ငွေကြေးတစ်ခုဖြစ်လာပြီး မော်ဒယ်များကို လက်တွေ့လုပ်ဆောင်မှုများတွင် အမှန်တကယ်မတိုးတက်ဘဲ ဂိမ်းသီးသန့်စမ်းသပ်မှုများတွင် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်နိုင်သည်ဟု ဝေဖန်သူများက ငြင်းခုံကြသည်။ Patronus ၏ အတုယူထားသော ပတ်ဝန်းကျင်များသည် တစ်ခုတည်းသော အောင်မြင်မှု အထောက်အထားသည် ဦးဆောင်သူစာရင်းဘုတ်ပေါ်ရှိ နံပါတ်များထက် မှန်ကန်စွာ ပြီးမြောက်သည့် အလုပ်ဖြစ်သည့် အဖွင့်အဆုံးသတ် အခြေအနေများတွင် စမ်းသပ်သည့် အေးဂျင့်များကို ပံ့ပိုးပေးပါသည်။

လုပ်ငန်းဖောက်သည်များအတွက်၊ ကွဲပြားမှုသည် အရေးကြီးသည်။ စံအမှတ်ကို ကျော်ဖြတ်သော်လည်း ထုတ်လုပ်မှုကုဒ်ဘေ့စ်သို့ အမှားအယွင်းများကို တိတ်တဆိတ် မိတ်ဆက်သည့် coding အေးဂျင့် သို့မဟုတ် ကိန်းဂဏန်းများ မမှန်မကန်ပြုလုပ်သည့် ငွေကြေးအေးဂျင့်သည် နိမ့်ကျသော စမ်းသပ်မှုရမှတ်ထက် များစွာပို၍ ပျက်စီးဆုံးရှုံးမှု ဖြစ်စေနိုင်သည်။ မဖြန့်ကျက်မီ sandbox တွင် ထိုကျရှုံးမှုများကို ဖမ်းဆုပ်ခြင်းဖြင့် Patronus သည် ယုံကြည်မှုအတွက် ကြိုတင်လိုအပ်ချက်တစ်ခုအဖြစ် အကဲဖြတ်ခြင်းကို အဆင့်သတ်မှတ်ခြင်းမဟုတ်ဘဲ တွေးခေါ်မှုတစ်ခုဖြစ်သည်။

လူစုလူဝေး နယ်ပယ်တစ်ခုတွင် ထူးခြားသော ချဉ်းကပ်မှု

ပြိုင်ဘက်များအတွက် Patronus သည် အေးဂျင့်အပြုအမူအကဲဖြတ်ရန် AI ဓာတ်ခွဲခန်းများတည်ဆောက်ပြီးသော အတွင်းပိုင်းအကဲဖြတ်အဖွဲ့များနှင့် အဓိကယှဉ်ပြိုင်နေသည်ဟု ယုံကြည်သည်။ Mercor နှင့် Surge ကဲ့သို့သော လူသားဒေတာကုမ္ပဏီများသည် အားဖြည့်သင်ကြားမှုဖြင့် မော်ဒယ်ထုတ်လုပ်သူများအား ကူညီပေးသော်လည်း Patronus သည် အေးဂျင့်များပါဝင်ပတ်သက်မှုမရှိဘဲ မည်သို့ပြုမူသည်ကို အကဲဖြတ်ကာ စျေးကြီးသောလူကိုယ်တိုင်ပြန်လည်သုံးသပ်ရန် လိုအပ်မည့် ကျရှုံးမှုများကို အလိုအလျောက်ရှာဖွေခြင်းဖြင့် ကွဲပြားစွာလုပ်ဆောင်ပါသည်။

အဝိုင်းသည် အေးဂျင့်အကဲဖြတ်ခြင်းသည် AI အစုအဝေး၏ အခြေခံအလွှာတစ်ခုဖြစ်လာမည်ဟူသော ရင်းနှီးမြှုပ်နှံသူများ၏ ယုံကြည်မှုကို အချက်ပြသည်။ အေးဂျင့်များသည် ပိုမိုကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရအလုပ်တွင် လုပ်ဆောင်ကြပြီး၊ ဘွတ်ကင်ခရီးစဉ်များမှ ဘဏ္ဍာရေးခွဲခြမ်းစိတ်ဖြာမှုပြုလုပ်ခြင်းအထိ၊ အဆိုပါစနစ်များသည် ယုံကြည်စိတ်ချရကြောင်း သက်သေပြနိုင်သည့် startup များသည် ၎င်းတို့ကို အသုံးမပြုမီတွင် ၎င်းတို့၏ မရှိမဖြစ်လိုအပ်သော တံခါးစောင့်များအဖြစ် ၎င်းတို့ကိုယ်သူတို့ AI ခေတ်အထိ နေရာချထားပေးလျက်ရှိသည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →