$৬ মিলিয়ন সিডের পেছনে কী আছে
QueryStory স্টেলথ থেকে বেরিয়ে এসেছে। TechCrunch-এর এই সংক্রান্ত প্রতিবেদনের তারিখ ২৬ আগস্ট ২০২৬, লেখক — Tim Fernholz। কোম্পানিটি ২০২৫ সালের শেষে $৬০ মিলিয়ন মূল্যায়নে $৬ মিলিয়ন সিড সংগ্রহ করেছে। রাউন্ডটি পরিচালনা করেছে Brightmind Partners এবং New York Life Ventures।
রাউন্ড ও স্টেলথ থেকে বেরিয়ে আসার মধ্যবর্তী সময়ে ডেভেলপমেন্ট এবং গ্রাহকদের সঙ্গে পাইলট চালাতে সময় লেগেছে।
দলে মূল ভূমিকাগুলো:
- Shapor Naghibzadeh — সহপ্রতিষ্ঠাতা ও CEO।
- Stanley Yang — CTO, Naghibzadeh-এর Google-এর সাবেক সহকর্মী, EvolutionIQ-তে lead engineer।
- David Glusic — CPO, Accenture-এর অভিজ্ঞ।
New York Life Ventures-এর বিনিয়োগ পরিচালনা করেছেন ফান্ডের managing director Tim Del Bello। বিনিয়োগকারীরা প্ল্যাটফর্মটি সেখানে ব্যবহার করছেন যেখানে ত্রৈমাসিক ব্যবসায়িক পর্যালোচনা প্রস্তুত করতে কয়েকজন মানুষের কাজ লাগত। Del Bello আশা করছেন, এমন পরিস্থিতি রিয়েল-টাইমে আপডেট হওয়া একটি ড্যাশবোর্ডে রূপ নেবে।
«পণ্যটি আমার মতো মানুষের জন্য তৈরি: সিদ্ধান্ত গ্রহণকারীদের জন্য, যাদের একটি নির্ভরযোগ্য চিত্র দরকার, — বলেন Del Bello। — তাদের জটিল ও ভিন্নধর্মী ডেটা সোর্স নিয়ে কাজ করতে হয়, নিজস্ব data science বা BI দল ছাড়াই, বিশেষত কঠোরভাবে নিয়ন্ত্রিত শিল্পে»।
প্ল্যাটফর্মটি বড় নিজস্ব ডেটাবেসযুক্ত বৃহৎ এন্টারপ্রাইজের জন্য। এর ব্যবহারকারীদের মধ্যে রয়েছেন সেলস বিভাগ ও অপারেশনাল ম্যানেজাররা। ব্যবহারিক মাপকাঠি: পণ্যটি সেখানে অর্থবহ যেখানে ভিন্নধর্মী কর্পোরেট ডেটার উপর একক বিশ্লেষণ ও সিদ্ধান্ত যাচাইয়ের কেন্দ্রবিন্দু প্রয়োজন।
যাচাইযোগ্যতার নীতি কোথা থেকে এল
২০০৯ সালে Naghibzadeh Google SysOps-এ ইঞ্জিনিয়ার হিসেবে কাজ করতেন। চীনের সমর্থিত হ্যাকাররা Operation Aurora-এর অংশ হিসেবে সার্চ জায়ান্টটিতে হামলা চালায়। তাঁকে তড়িঘড়ি গঠিত একটি war room-এ ডাকা হয় — কোম্পানির সার্ভারে কী ঘটছিল তা ব্যাখ্যা করতে।
বিচ্ছিন্ন নেটওয়ার্ক জুড়ে হামলার ট্রেসিং তাঁকে যাচাইকৃত জ্ঞানের মূল্য শিখিয়েছিল। কিন্তু এমন কাজ ছিল ব্যয়বহুল ও সময়সাপেক্ষ। Naghibzadeh মনে করেন, LLM সময়ের একটি ভগ্নাংশে সব ধরনের ডেটাবেসে একই কার্যকারিতা আনতে পারে।
পরবর্তী ছয় বছর তিনি ডেটা ও সাইবারসিকিউরিটির সংযোগস্থলে উৎসর্গ করেছেন। তিনি security-বিশ্লেষকদের জন্য টুল তৈরিতে Google-এর সম্পদ ব্যবহার করতেন। সেগুলো জটিল ডেটা কোয়েরি করা সম্ভব করত। ২০১৬ সালে তিনি Google's X Labs-এ Chronicle স্টার্টআপ সহপ্রতিষ্ঠা করেন। লক্ষ্য — একই কার্যকারিতা অন্য কোম্পানিগুলোর কাছে পৌঁছে দেওয়া।
গত বছর LLM ডেটা বিশ্লেষণে বড় ভূমিকা নিয়েছে। Naghibzadeh নতুন একটি সুযোগ দেখেছেন: সাইবারসিকিউরিটির কৌশলগুলো বিভিন্ন ধরনের অ্যানালিটিক্সে প্রয়োগ করা।
সিদ্ধান্ত: পণ্যের মূল কেন্দ্র উত্তর তৈরির গতি নয়, বরং যাচাইকৃত সিদ্ধান্তে পৌঁছানোর পুনরুৎপাদনযোগ্য পথ।
সিদ্ধান্ত যাচাই কীভাবে কাজ করে
প্ল্যাটফর্মটি পরিশ্রুত ড্যাশবোর্ড ও অ্যানালিটিক্স প্রকাশ করে। আলাদাভাবে এটি একটি আত্মবিশ্বাস সূচক দেখায়। এটি দেখায় কেন AI-এজেন্টরা তাদের বিশ্লেষণকে নির্ভুল মনে করেছে।
SQL-কোয়েরিগুলো স্বয়ংক্রিয়ভাবে তৈরি হয়। ব্যবহারকারীরা সহকর্মীদের যাচাইয়ের জন্য বিশ্লেষণ চিহ্নিত করতে পারেন। প্রতিক্রিয়া প্ল্যাটফর্মে রেকর্ড করা হয়।
প্রতিবেদনের একটি উদাহরণ: একটি প্রযুক্তি কোম্পানির নির্বাহী Claude Cowork-এর মাধ্যমে কোম্পানির ডেটাবেস কোয়েরি করছিলেন। তারপর তিনি মডেলকে লেখা SQL-কোয়েরিগুলো দেখাতে বলেছিলেন। এরপরই কোয়েরিগুলো মানুষের যাচাইয়ের জন্য বিশ্লেষকের কাছে পাঠানো হয়েছিল।
| মাপকাঠি | LLM-সহ সাধারণ চ্যাট ইন্টারফেস | বিশেষায়িত প্ল্যাটফর্ম |
|---|---|---|
| SQL-কোয়েরি | ব্যবহারকারী আলাদাভাবে অনুরোধ করেন | স্বয়ংক্রিয়ভাবে তৈরি হয় |
| আত্মবিশ্বাস সূচক | বর্ণিত পরিস্থিতিতে নেই | নির্ভুলতার যুক্তি দেখায় |
| মানুষের যাচাই | চ্যাটের বাইরে রাখা | বিশ্লেষণ চিহ্নিত করা যায়, প্রতিক্রিয়া প্ল্যাটফর্মে সংরক্ষিত |
| ব্যবহারকারীর অভিজ্ঞতা | ইচ্ছাকৃতভাবে সীমিত | স্বচ্ছতা, নির্ভরযোগ্যতা ও নিয়ন্ত্রণ দাবি করা হয় |
সিদ্ধান্ত: যাচাইযোগ্যতা তিনটি উপাদান নিয়ে গঠিত — স্বয়ংক্রিয় SQL, আত্মবিশ্বাস সূচক এবং রেকর্ডকৃত যাচাইয়ের ইতিহাস। ব্যবহারিক মাপকাঠি: প্রশ্ন থেকে সংখ্যা পর্যন্ত পথ পুনরুদ্ধার করা যায় কি না তা দেখা।
মডেল থেকে স্বাধীনতা এবং কম্পিউট বিক্রি থেকে বিরত থাকা
QueryStory এমনভাবে তৈরি যাতে একটি মডেলের উপর নির্ভর না করে। এখন এটি মূলত অগ্রগামী ল্যাবগুলোর সর্বশেষ মডেল ব্যবহার করে। সেগুলোর সঙ্গে কোম্পানি পণ্যের স্তরে প্রতিযোগিতা করে।
Naghibzadeh মনে করেন, গ্রাহকরা এমন সরবরাহকারীকে অগ্রাধিকার দেবেন যিনি যত সম্ভব বেশি «বুদ্ধিমত্তা» বিক্রিতে আগ্রহী নন। তাঁর যুক্তি: «এখানে আমাদের অনেক সুবিধা রয়েছে যে আমরা সেই কোম্পানিগুলোর একটি নই, যারা কম্পিউট, স্টোরেজ বা টোকেন ব্যবহারের মডেলকে ঘিরে ব্যবসা গড়ে তুলেছে»।
বিশেষায়িত টুল একটি সার্বজনীন এজেন্টের চেয়ে বেশি কার্যকর ও নির্ভুল হতে পারে। কারণ — এটি প্রসঙ্গ বোঝে ও সংরক্ষণ করে।
ব্যবহারিক মাপকাঠি: সরবরাহকারীর আয়ের উৎস দেখা। Naghibzadeh-এর যুক্তি অনুযায়ী, টোকেন বিক্রির মডেল এমন একটি প্রণোদনা তৈরি করে যা নির্ভুলতায় গ্রাহকের স্বার্থের সঙ্গে সাংঘর্ষিক।
AI-এর ভঙ্গুরতা এবং সত্যের সংস্করণের বিস্তার
Tayler Sipperly, Brightmind Partners-এর partner, সতর্ক করেন: «AI যতটা মনে হয় তার চেয়ে বেশি ভঙ্গুর, যখন বিষয়টি নির্ভরযোগ্য হতে হয় এবং বড় ব্যবসা যার উপর কাজের ভিত্তি গড়ে তোলে»।
Naghibzadeh আরেকটি সমস্যা বর্ণনা করেন। যখন কোম্পানিগুলো LLM চ্যাট ইন্টারফেসে ডেটা সংযুক্ত করে, শত শত বা হাজার হাজার কর্মী প্রশ্ন করেন এবং প্রত্যেকে নিজের সত্যের সংস্করণ পান। এই সংস্করণগুলো স্লাইডে যায় এবং প্রতিষ্ঠানজুড়ে ছড়িয়ে পড়ে। কনটেন্ট বিস্তার লাভ করে, এবং তা এমনভাবে সংরক্ষণ করার জায়গা নেই যেখানে তা ডেটার দিকে ফিরিয়ে নিয়ে যায়।
গতির একটি উদাহরণ: একজন সাংবাদিক মহাকাশীয় কার্যকলাপ সম্পর্কে একটি ডেটাবেস শেয়ার করেছিলেন। QueryStory কয়েক ঘণ্টায় একটি ভিজ্যুয়ালাইজেশন তৈরি করেছে। যে প্রকল্পটি সাংবাদিক একসময় একজন ডেভেলপারের সঙ্গে করেছিলেন, তা কয়েক সপ্তাহ লেগেছিল।
সিদ্ধান্ত: যাচাইযোগ্যতার মূল্য বাড়ে সেইসঙ্গে যারা ডেটার ভিত্তিতে সিদ্ধান্ত নেয় তাদের সংখ্যা। ব্যবহারিক মাপকাঠি: প্ল্যাটফর্ম সেখানে প্রয়োজন যেখানে একাধিক দলকে ডেটার একটি সংস্করণের উপর নির্ভর করতে এবং তার যাচাইয়ের ইতিহাস সংরক্ষণ করতে হয়।
