TypeSafe Inc., le créateur du modèle d'intelligence artificielle Jev, aujourd'hui annoncé qu'il a levé 870 millions de dollars de financement pour une valorisation de 7,5 milliards de dollars.
Andreessen Horowitz a mené le cycle avec les contributions de Sequoia Capital, DCVC et d'investisseurs providentiels anonymes. L'injection de fonds intervient moins d'un mois après le lancement de Jev par TypeSafe. La dynamique de financement de l'entreprise reflète la popularité croissante de son modèle : il a déjà été adopté par environ un tiers des sociétés Fortune 500.
Lorsqu'une application d'entreprise doit effectuer une tâche à l'aide d'un modèle de langage volumineux, elle envoie automatiquement une description de la tâche au modèle. Le LLM répond ensuite avec sa sortie. Ce résultat prend souvent la forme d’un texte en langage naturel. Les applications doivent condenser le texte en langage naturel dans un format structuré et standardisé avant de pouvoir l'utiliser.
Jev doit en partie sa popularité au fait qu’il saute cette dernière étape. Lorsqu'une application demande à Jev d'effectuer une tâche, le modèle génère une sortie structurée au lieu d'un texte en langage naturel. Cela élimine le besoin pour les applications de reformater et de condenser la sortie de Jev avant de l'utiliser.
Il ne prend en charge que trois types de requêtes. Les applications peuvent demander au modèle de répondre à une question par l’équivalent de « oui » ou de « non », de choisir un élément dans une liste ou de générer un score. Les développeurs peuvent personnaliser ce que mesure ce score. Par exemple, Jev peut être configuré pour évaluer les alertes de cybersécurité en fonction de leur gravité ou quantifier l'urgence d'un ticket d'assistance.
Le fait que le résultat concis du modèle soit facile à traiter pour les applications réduit la quantité de code de préparation des données que les développeurs doivent écrire. En conséquence, les projets logiciels peuvent être réalisés plus rapidement. De plus, la simplification de la base de code d'une application réduit le risque d'erreurs.
Jev améliore également la fiabilité des applications par d'autres moyens. Lorsque le modèle génère un score ou choisit parmi une liste d'options fournies par l'utilisateur, il génère un nombre qui indique sa confiance dans l'exactitude de la réponse. Les applications peuvent utiliser ce numéro pour atténuer l’impact des hallucinations.
TypeSafe affirme avoir développé Jev en utilisant une nouvelle approche de formation appelée apprentissage par renforcement pour des décisions calibrées. Il s'agit d'une variante de l'apprentissage par renforcement, une méthode de formation LLM populaire. TypeSafe a également développé une nouvelle architecture de modèle.
La société affirme que ses technologies personnalisées permettent à Jev de traiter les demandes des utilisateurs en moins de 700 millisecondes. Cela rend le modèle jusqu'à 200 fois plus rapide que certains LLM frontières. De plus, TypeSafe affirme que c'est jusqu'à 100 fois plus rentable.
Jev fait partie d'une série de modèles planifiée baptisée System One. TypeSafe utilisera le produit de son cycle de financement pour ajouter davantage à la gamme. De plus, la société prévoit de déployer des « fonctionnalités d’entreprise » non spécifiées qui permettront aux grandes organisations d’utiliser plus facilement ses modèles.
