Investasi dalam lingkungan untuk pelatihan agen
Arga Labs mengumumkan putaran seed senilai $10 juta. Putaran ini dipimpin oleh General Catalyst. Turut berpartisipasi Box Group, Emergence, Gradient, dan SV Angel. Perusahaan ini membangun lingkungan untuk pelatihan agen AI korporat. Ini bukan tentang agen yang siap pakai, melainkan infrastruktur untuk pelatihannya. Kriterianya: putaran ini mengonfirmasi permintaan akan lingkungan pengujian untuk agen di perangkat lunak bisnis.
Mengapa stateless API tidak cukup
Sebagian besar lingkungan pengujian hanya sebatas stateless API. Arga Labs membangun kembaran digital perangkat lunak yang utuh. Ia mengkloning perangkat lunak korporat beserta sistem izin dan webhook-nya. Hasilnya, agen belajar bekerja di beberapa sistem sekaligus. Perbedaan utamanya:
- stateless API — hanya titik akhir;
- kembaran digital — salinan struktur perangkat lunak;
- lingkungan mempertahankan permission systems dan web hooks;
- agen dilatih pada keterkaitan antar berbagai perangkat lunak. Kesimpulan: untuk agen yang beroperasi di beberapa perangkat lunak, dibutuhkan lingkungan dengan status dan izin.
Ambiguitas data: contoh dengan lead
CEO dan salah satu pendiri Phillip Li memberikan sebuah contoh. Klien membuat lead di Salesforce. Rekan kerja secara terpisah menghubungi melalui HubSpot. Li mengajukan pertanyaan tentang cara kerja agen. Apakah agen akan memahami bahwa ini adalah satu perusahaan yang sama? Apakah ia akan memeriksa bahwa email hanya dikirim sekali? Apakah ia akan menentukan kepada siapa harus menulis dari dua kemungkinan? Sistem agen saat ini masih kurang baik dalam menangani ambiguitas semacam ini. Arga Labs menganggap alat mereka krusial untuk memperbaiki situasi ini. Kriteria praktis: uji lingkungan pada skenario dengan duplikasi dan persilangan kanal.
Mengapa RL berskala besar terhambat oleh perangkat lunak korporat
Agen dilatih melalui reinforcement learning. Skenario dijalankan puluhan ribu kali. Strategi yang berhasil dilanjutkan. Namun perangkat lunak korporat kurang cocok untuk skala seperti itu. Sistem seperti Salesforce atau Outlook sulit direset untuk dijalankan ulang. Mengkloningnya bahkan lebih sulit. Arga Labs menciptakan rekonstruksi digital perangkat lunak. Ia meniru struktur perangkat lunak, seperti manekin uji tabrak yang meniru manusia. Kontrol penuh atas lingkungan mempermudah reset dan modifikasi. Perusahaan dapat menjalankan banyak lingkungan secara bersamaan. Agen dilatih pada interaksi kompleks antar perangkat lunak. Idenya adalah mereproduksi lingkungan kerja yang utuh dengan tugas-tugas yang saling bersilangan antar berbagai perangkat lunak dan sistem pengetahuan. Kesimpulan: tanpa salinan lingkungan yang terkendali, RL di perangkat lunak bisnis tetap terbatas.
Kesenjangan antara coding dan perangkat lunak bisnis
Alat AI untuk coding berkembang pesat. Penyebabnya adalah tersedianya alat untuk deployment, reverse, dan analisis kode. Alat-alat ini mempermudah penyiapan lingkungan RL. Hal ini memungkinkan pengujian dan pelatihan AI pada tugas coding yang semakin kompleks. Untuk sebagian besar perangkat lunak bisnis, alat seperti itu belum ada. Arga Labs berupaya menutup reinforcement gap ini. Jika alat-alat tersebut muncul, sistem AI akan lebih baik dalam memanfaatkan perangkat lunak bisnis. Hal ini dapat mengubah industri lain sebagaimana coding. Perbandingan: | Kriteria | Coding | Perangkat Lunak Bisnis | | Alat deployment, reverse, dan analisis | ada | belum ada (untuk saat ini) | | Penyiapan lingkungan RL | lebih mudah | lebih sulit | | Kompleksitas tugas yang diuji | meningkat | tinggi karena ambiguitas | Kesimpulan: munculnya alat semacam itu untuk perangkat lunak bisnis akan mempercepat perkembangan agen di perangkat lunak tersebut.
Apa kata investor
Yuri Sagalov — managing director General Catalyst dan kepala program seed. Ia melihat kebutuhan yang tumbuh akan alat pengujian agen seperti Arga. Sagalov mengaitkan sebagian besar nilai ekonomi agen dengan penggunaan aplikasi bisnis. Menurutnya, sandbox yang dapat diulang sangat penting. Bagi agen, hal itu lebih penting daripada bagi manusia. Kriteria praktis: saat memilih infrastruktur, periksa apakah lingkungan menyediakan sandbox yang dapat diulang untuk aplikasi bisnis.
Kriteria pemilihan lingkungan untuk pelatihan agen
Lingkungan harus:
- mengkloning struktur perangkat lunak korporat;
- mempertahankan sistem izin dan webhook;
- memungkinkan reset dan modifikasi skenario;
- mendukung menjalankan banyak lingkungan secara bersamaan;
- mereproduksi persilangan tugas antar perangkat lunak dan sistem pengetahuan. Arga Labs membangun lingkungan semacam itu untuk perangkat lunak korporat, termasuk Salesforce, Workday, dan klien email. Putaran senilai $10 juta mengonfirmasi minat investor terhadap arah ini. Kesimpulan: bagi tim yang melatih agen, salinan lingkungan kerja yang terkendali menjadi persyaratan dasar.
