اگر امروز یک عامل هوش مصنوعی را برای پیمایش وب طراحی کنید، احتمالاً با هزینه‌های استنتاج کمرشکن و سرعت پایین مواجه می‌شوید. این مشکل دقیقاً همان جایی است که Keenable وارد میدان شده تا جست‌وجوی وب را از حالت «انسان‌محور» به «عامل‌محور» تغییر دهد.
به گزارش TechCrunch، این استارتاپ در دور سرمایه‌گذاری Seed خود ۲۶ میلیون دلار از شرکت Accel و سایر سرمایه‌گذاران جذب کرد. هدف آن‌ها جایگزینی ایندکس‌های جست‌وجوی فعلی با زیرساختی است که به‌جای ارائه چند لینک منتخب به انسان، حجم عظیمی از داده‌های وب را به‌گونه‌ای سازماندهی کند که برای الگوهای خواندن ربات‌ها بهینه باشد.
بسیاری از موتورهای جست‌وجوی فعلی برای بازه توجه کوتاه انسان‌ها طراحی شده‌اند؛ یعنی شبیه به منوی یک رستوران که فقط غذاهای پیشنهادی را نشان می‌دهد تا مشتری گیج نشود. اما یک عامل (Agent) — که مثل دستیاری است که می‌تواند به‌طور مستقل کارهای پیچیده را انجام دهد — برای تصمیم‌گیری درست به دسترسی گسترده‌تر و سریع‌تر به داده‌های خام نیاز دارد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی زیرساخت‌های مدل‌های زبانی اشاره کردیم، گلوگاه فعلی هوش مصنوعی دیگر قدرت پردازش نیست، بلکه نحوه دسترسی به داده‌های به‌روز است.
در حال حاضر غول‌هایی مثل گوگل و مایکروسافت دسترسی به APIهای جست‌وجوی خود را محدود کرده‌اند تا رقبای AI نتوانند از داده‌های آن‌ها برای تقویت مدل‌های خود استفاده کنند. به همین دلیل، Zhenya Loginov از شریکان Accel معتقد است که بازیکنان حوزه AI اکنون برای دسترسی به زیرساخت جست‌وجوی مقیاس وب، گزینه‌های بسیار محدودی دارند.
این شرکت توسط Andrey Styskin (مدیر سابق جست‌وجو و ابری در یاندکس) و Matthias Petri تأسیس شده است. استیسکین ۲۰ سال تجربه در ساخت موتورهای جست‌وجو در یاندکس و آمازون دارد و پیش‌تر با پتری روی زیرساخت‌های جست‌وجوی وب برای برنامه‌هایی مثل الکسا کار کرده است.
بر اساس مستندات این شرکت، Keenable پیش از این یک ایندکس جست‌وجوی وب شامل بیش از ۱۰۰ میلیارد سند ایجاد کرده است. استیسکین با تکیه بر داده‌های Cloudflare متوجه شد که خزنده‌های هوش مصنوعی سهم فزاینده‌ای از حجم جست‌وجوهای وب را به خود اختصاص داده‌اند. او باور دارد وقتی مدل‌ها بتوانند پاسخ‌های خود را بر اساس اسناد منبع مبنی‌سازی (Grounding) کنند — یعنی مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — کیفیت خروجی به‌شدت افزایش می‌یابد.
رویکرد فنی Keenable بر کاهش سریع فضای جست‌وجو متمرکز است تا هزینه اسکن کل اینترنت کاهش یابد. استیسکین توضیح می‌دهد که بدون تنظیم دقیق (Fine-tuning) — که شبیه به دادن تخصص پوست به یک پزشک عمومی است تا در یک حوزه خاص خبره شود — ساختار ایندکس، هزینه سرویس‌دهی به کل وب به‌دلیل حجم عظیم داده‌ها غیرقابل تحمل است.
دستاوردها و برنامه‌های کلیدی این استارتاپ عبارتند از:
- ادغام در محیط عملیاتی: API این شرکت در حال حاضر توسط چندین آزمایشگاه AI و ارائه‌دهندگان استنتاج در مراحل آموزش و اجرا استفاده می‌شود.
- شراکت استراتژیک: همکاری با شرکت Gradium برای فعال‌سازی بازیابی اطلاعات به‌صورت زنده.
- زبان WebQueryLanguage: ابزاری اختصاصی که به سیستم‌های AI کمک می‌کند با ترکیب تکه‌های مختلف از منابع وب، پاسخ‌های جامع بسازند، حتی اگر هیچ منبع واحدی پاسخ کامل را نداشته باشد.
استیسکین معتقد است هرچند جابه‌جایی کاربران از گوگل برای جست‌وجوی سنتی تقریباً غیرممکن است، اما «تنگنای نوآور» گوگل را در برابر پرس‌وجوهای عامل‌محور آسیب‌پذیر می‌کند. Keenable قصد دارد جایگزینی سبک‌تر و ارزان‌تر برای راهکارهای جست‌وجوی سازمانی باشد که معمولاً در مقیاس وب دچار شکست می‌شوند.
البته ساخت چنین زیرساختی یک قمار سرمایه‌بر است. استیسکین در گفتگو با TechCrunch اعتراف کرد که هزینه نگهداری یک ایندکس عظیم «به‌شدت زیاد» است، اما شرکت در حال مدیریت هزینه‌ها برای حفظ پایداری است.
برای صنعت AI، این یک چرخش به سمت زیرساخت‌های «عامل-اول» است. اگر عامل‌ها روش اصلی تعامل ما با وب شوند، ارزش از رابط کاربری «ده لینک آبی» به لایه بازیابی سریع داده‌ها منتقل می‌شود. این تغییر حتی در داخل گوگل‌پلکس هم در حال رخ دادن است و گوگل در حال بازسازی تجربه جست‌وجوی خود برای عصر AI است.
Keenable در حال حاضر ۱۵ مهندس در آمریکا و اروپا دارد و قصد دارد تا پایان سال جاری تعداد کارکنان خود را دو برابر کند تا استراتژی ورود به بازار را پیش ببرد. آن‌ها در این مسیر با رقبایی مثل Brave و Exa رقابت می‌کنند؛ شرکتی که پیش‌تر با دستیابی به میلیاردها پرس‌وجوی ماهانه، جایگاه خود را در بازار جست‌وجوی عامل‌محور تثبیت کرده است، تا به «گوگلِ عامل‌های هوش مصنوعی» تبدیل شوند.
گام بعدی شما
- اگر توسعه‌دهنده عامل‌های هوش مصنوعی هستید، انتشار WebQueryLanguage را دنبال کنید تا ببینید آیا زبان‌های بازیابی تخصصی می‌توانند نرخ توهم (Hallucination) را در کارهای پیچیده وب کاهش دهند یا خیر.
- مدل‌های فعلی RAG خود را با APIهای جایگزین مقایسه کنید تا گلوگاه‌های هزینه استنتاج را شناسایی کنید.
- بررسی کنید که آیا جریان‌های کاری شما به داده‌های زنده وب نیاز دارند یا با پایگاه‌های داده برداری داخلی پاسخگو هستند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو