استارتاپ Unsiloed AI مبلغ ۷.۵ میلیون دلار در دور seed جذب کرده که توسط شرکت سرمایه‌گذاری Felicis رهبری شده است. در این دور Y Combinator، Orange Collective و Uncorrelated Ventures نیز شرکت داشته‌اند. این استارتاپ مستقر در سان‌فرانسیسکو روی فناوری‌ای کار می‌کند که اسناد پیچیده سازمانی را به داده ساختارمند قابل‌مصرف برای ایجنت‌های هوش مصنوعی تبدیل می‌کند.

فناوری و مزیت رقابتی#

امان میشرا، بنیان‌گذار و مدیرعامل Unsiloed AI، در مصاحبه با TechCrunch گفت مشکل اصلی مدل‌های زبانی بزرگ ذاتاً احتمال‌محور بودن آن‌هاست و این موضوع خطاهای پرهزینه در سازمان‌هایی مثل بانک‌ها و بیمارستان‌ها ایجاد می‌کند. او و هم‌بنیان‌گذارش عدنان عباس، فارغ‌التحصیلان IIT Kharagpur، پس از مدتی توسعه فناوری در دسته پاییز ۲۰۲۵ Y Combinator پذیرفته شدند.

Unsiloed از آنچه «مدل‌های بینایی دو‌جریانی» می‌نامد استفاده می‌کند: یک جریان توکن‌های متنی و جریان دیگر توکن‌های تصویری را جداگانه پردازش می‌کند. همچنین از تکنیک «chunking مبتنی بر نقشه حرارتی» برای شناسایی بخش‌های مهم سند استفاده می‌کند و قدرت محاسباتی را به‌جای پردازش یکنواخت، به بخش‌هایی مثل جداول، نمودارها و اعداد اختصاص می‌دهد. یک decoder تخصصی نیز اصطلاحات حوزه‌محور را در نظر می‌گیرد.

عملکرد و مشتریان#

میشرا به نتیجه یک آزمون اشاره کرد که در آن ۵۴۲ سند مالی از یک مشتری سازمانی استفاده شد و Unsiloed دقت ۹۹.۷۸٪ در حدود ۸۴,۰۰۰ نقطه داده استخراج‌شده گزارش کرد. این نتایج به‌صورت مستقل تأیید نشده‌اند. در آزمون عمومی olmOCR-Bench توسعه‌یافته توسط Allen AI، این استارتاپ نمره ۸۸.۰ کسب کرد، در مقابل ۶۶.۰ برای Reducto و ۳۹.۹ برای Unstructured. قیمت‌گذاری از یک سنت برای هر صفحه شروع می‌شود. میشرا نام دو مشتری را گفت: یک بانک و یک دفتر وکالت که روی سرورهای خودشان مستقر شده است، و همچنین Bolna AI که از Unsiloed برای ingest کردن پایگاه‌های دانشی ایجنت‌های صوتی‌اش استفاده می‌کند.

بازاری که اشباع شده و جایی که هنوز جای بحث هست#

بازار استخراج داده از اسناد سازمانی پیش از ورود Unsiloed هم شلوغ بوده است: Reducto و Unstructured به‌عنوان استارتاپ‌های تخصصی، و Microsoft و Amazon به‌عنوان بازیگران بزرگ. در کنار آن‌ها، بسیاری از کسب‌وکارها مستقیماً از مدل‌های عمومی برای استخراج اطلاعات استفاده می‌کنند. Unsiloed با هفت نفر نیروی انسانی وارد این رقابت شده و می‌خواهد با استخدام محقق و مهندس و توسعه数据集 اختصاصی، فاصله‌اش را حفظ کند.

برای کسی که همین حالا ایجنت‌های سازمانی می‌سازد، این خبر یک نکته عملی دارد: اگر ایجنت شما با اسناد جدول‌دار و نموداردار سروکار دارد، خطای مدل زبانی عمومی به‌عنوان لایه استخراج، ریسک واقعی است. اما ادعاهای عملکرد Unsiloed هنوز بدون تأیید مستقل‌اند و رقبا هم بیکار ننشسته‌اند. قیمت یک سنت به ازای هر صفحه عدد جذابی است، ولی مقیاس‌پذیری و کیفیت در اسناد غیرمالی هنوز باید آزموده شود.

منبع: TechCrunch AI