Một bài viết được gán thẻ "Hebbia"

Vượt xa sự cường điệu: Khám phá chuyên sâu về Hebbia, nền tảng AI cho công việc tri thức chuyên sâu​

Lời hứa về Trí tuệ nhân tạo đã vang vọng khắp các phòng họp và văn phòng trong nhiều năm: một tương lai nơi công việc tẻ nhạt, chuyên sâu về dữ liệu được tự động hóa, giải phóng các chuyên gia con người để tập trung vào chiến lược và ra quyết định. Tuy nhiên, đối với nhiều chuyên gia trong các lĩnh vực có rủi ro cao như tài chính và luật, lời hứa đó dường như trống rỗng. Các công cụ AI tiêu chuẩn, từ tìm kiếm từ khóa đơn giản đến chatbot thế hệ đầu tiên, thường không đáp ứng được, gặp khó khăn trong việc suy luận, tổng hợp hoặc xử lý khối lượng thông tin khổng lồ cần thiết cho phân tích chuyên sâu.

Hebbia xuất hiện, một công ty tự định vị mình không phải là một chatbot khác, mà là AI mà bạn thực sự được hứa hẹn. Với nền tảng "Matrix" của mình, Hebbia đang đưa ra một lập luận thuyết phục rằng họ đã tìm ra chìa khóa cho công việc tri thức phức tạp, vượt ra ngoài hỏi đáp đơn giản để cung cấp phân tích từ đầu đến cuối. Cái nhìn khách quan này sẽ đi sâu vào Hebbia là gì, cách nó hoạt động và tại sao nó đang thu hút sự chú ý đáng kể trong một số ngành công nghiệp đòi hỏi khắt khe nhất thế giới.

Vấn đề: Khi AI "Đủ tốt" không còn đủ tốt​

Các chuyên gia tri thức đang chìm trong dữ liệu. Các nhà phân tích đầu tư, luật sư doanh nghiệp và cố vấn M&A thường phải sàng lọc hàng nghìn tài liệu—hợp đồng, hồ sơ tài chính, báo cáo—để tìm ra những thông tin chi tiết quan trọng. Một chi tiết bị bỏ lỡ có thể gây ra hậu quả hàng triệu đô la.

Các công cụ truyền thống đã tỏ ra không đủ. Tìm kiếm từ khóa vụng về và thiếu ngữ cảnh. Các hệ thống Tạo sinh tăng cường truy xuất (RAG) ban đầu, được thiết kế để định vị AI trong các tài liệu cụ thể, thường chỉ lặp lại các cụm từ hoặc thất bại khi một truy vấn yêu cầu tổng hợp thông tin từ nhiều nguồn. Hỏi một AI cơ bản "Đây có phải là một khoản đầu tư tốt không?" và bạn có thể nhận được một bản tóm tắt ngôn ngữ tiếp thị lạc quan, chứ không phải một phân tích nghiêm ngặt về các yếu tố rủi ro được chôn vùi sâu trong hồ sơ SEC. Đây chính là khoảng cách mà Hebbia nhắm đến: vực sâu giữa tiềm năng của AI và nhu cầu của công việc chuyên môn nghiêm túc.

Giải pháp: "Matrix" - Một nhà phân tích AI, không phải một Chatbot​

Giải pháp của Hebbia là một nền tảng AI có tên Matrix, được thiết kế để hoạt động ít giống một đối tác trò chuyện hơn và giống một nhà phân tích siêu hiệu quả, siêu phàm hơn. Thay vì giao diện trò chuyện, người dùng được cung cấp một lưới cộng tác, giống như bảng tính.

Đây là cách nó hoạt động:

• Nhập bất cứ thứ gì, và mọi thứ: Người dùng có thể tải lên số lượng lớn dữ liệu phi cấu trúc—hàng nghìn tệp PDF, tài liệu Word, bản ghi và thậm chí cả hình ảnh được quét. Hệ thống của Hebbia được thiết kế để xử lý cửa sổ ngữ cảnh gần như "vô hạn", nghĩa là nó có thể tạo kết nối trên hàng triệu trang mà không bị giới hạn bởi các giới hạn token LLM thông thường.
• Điều phối các tác nhân AI: Người dùng đưa ra một nhiệm vụ phức tạp, không chỉ một câu hỏi đơn lẻ. Ví dụ: "Phân tích các rủi ro chính và áp lực cạnh tranh được đề cập trong các cuộc gọi thu nhập hai năm gần đây cho năm công ty này." Matrix chia nhỏ nhiệm vụ này thành các nhiệm vụ phụ, gán các "tác nhân" AI cho từng nhiệm vụ.
• Đầu ra có cấu trúc, có thể truy vết: Kết quả được điền vào một bảng có cấu trúc. Mỗi hàng có thể là một công ty hoặc một tài liệu, và mỗi cột là một câu trả lời cho một câu hỏi phụ (ví dụ: "Tăng trưởng doanh thu," "Các yếu tố rủi ro chính"). Quan trọng là, mọi đầu ra đều được trích dẫn. Người dùng có thể nhấp vào bất kỳ ô nào để xem đoạn văn chính xác từ tài liệu nguồn mà AI đã sử dụng để tạo ra câu trả lời, loại bỏ hiệu quả các ảo giác và cung cấp sự minh bạch hoàn toàn.

Cách tiếp cận "hiển thị công việc của bạn" này là một nền tảng trong thiết kế của Hebbia, xây dựng niềm tin và cho phép các chuyên gia xác minh lý do của AI, giống như cách họ làm với một nhà phân tích cấp dưới.

Công nghệ: Tại sao nó khác biệt​

Sức mạnh của Hebbia nằm ở kiến trúc ISD (Suy luận, Tìm kiếm, Phân tách) độc quyền của nó. Hệ thống này vượt ra ngoài RAG cơ bản để tạo ra một vòng lặp phân tích mạnh mẽ hơn:

1. Phân tách (Decomposition): Nó tự động chia nhỏ một yêu cầu phức tạp của người dùng thành một loạt các bước nhỏ hơn, logic.
2. Tìm kiếm (Search): Đối với mỗi bước, nó thực hiện một tìm kiếm nâng cao, lặp đi lặp lại để truy xuất các phần thông tin liên quan nhất từ toàn bộ tập dữ liệu. Đây không phải là một lần truy xuất duy nhất; đó là một quá trình đệ quy trong đó AI có thể tìm kiếm thêm dữ liệu dựa trên những gì nó đã tìm thấy.
3. Suy luận (Inference): Với ngữ cảnh chính xác đã được thu thập, các Mô hình Ngôn ngữ Lớn (LLM) mạnh mẽ được sử dụng để suy luận, tổng hợp và tạo ra câu trả lời cuối cùng cho bước đó.

Toàn bộ quy trình làm việc này được quản lý bởi một công cụ điều phối có thể chạy hàng nghìn quy trình này song song, mang lại kết quả trong vài phút mà một nhóm nhân lực sẽ mất hàng tuần để hoàn thành. Bằng cách không phụ thuộc vào mô hình, Hebbia có thể tích hợp các LLM tốt nhất (như các mô hình mới nhất của OpenAI) để liên tục nâng cao khả năng suy luận của mình.

Sức hút và Tác động trong Thế giới thực​

Bằng chứng thuyết phục nhất về giá trị của Hebbia là việc nó được một lượng khách hàng khó tính chấp nhận. Công ty báo cáo rằng 30% trong số 50 công ty quản lý tài sản hàng đầu theo AUM đã là khách hàng. Các công ty hàng đầu như Centerview Partners và Charlesbank Capital, cũng như các công ty luật lớn, đang tích hợp Hebbia vào các quy trình làm việc cốt lõi của họ.

Các trường hợp sử dụng rất mạnh mẽ:

• Trong cuộc khủng hoảng SVB năm 2023, các nhà quản lý tài sản đã sử dụng Hebbia để lập tức xác định mức độ rủi ro của họ đối với các ngân hàng khu vực bằng cách phân tích hàng triệu trang tài liệu danh mục đầu tư.
• Các công ty cổ phần tư nhân xây dựng "thư viện giao dịch" để so sánh các cơ hội đầu tư mới với các điều khoản và hiệu suất của tất cả các giao dịch trước đây của họ.
• Các công ty luật tiến hành thẩm định chuyên sâu bằng cách yêu cầu Hebbia đọc hàng nghìn hợp đồng để gắn cờ các điều khoản không tiêu chuẩn, mang lại lợi thế dựa trên dữ liệu trong các cuộc đàm phán.

Lợi tức đầu tư thường là ngay lập tức và đáng kể, với người dùng báo cáo rằng các tác vụ từng mất hàng giờ giờ đây được hoàn thành trong