Ο Michael Fanous, απόφοιτος επιστήμης υπολογιστών του UC Berkeley και πρώην μηχανικός machine learning στη CareRev, υποστηρίζει ότι οι σημερινοί AI agents δεν διαθέτουν το πλήρες πλαίσιο πληροφοριών που χρειάζονται για να κατανοήσουν ουσιαστικά τους ανθρώπους, όπως αναφέρει το TechCrunch.
Σύμφωνα με τον ίδιο, οι μηχανές δυσκολεύονται ακόμη να καταλάβουν αν ένα επαγγελματικό προφίλ στο LinkedIn, ένας λογαριασμός στο Instagram και δημόσια κυβερνητικά αρχεία αναφέρονται στο ίδιο άτομο.
Για να λύσει αυτό το πρόβλημα, συνεργάστηκε με τον πατέρα του, Emad Fanous, έμπειρο CTO, και δημιούργησαν τη Nyne — μία startup που φιλοδοξεί να αποτελέσει το «intelligence layer» που θα βοηθά τους AI agents να κατανοούν τους ανθρώπους μέσα από ολόκληρο το ψηφιακό τους αποτύπωμα.
Η Nyne, επίσης, εξασφάλισε 5,3 εκατ. δολάρια σε seed χρηματοδότηση. Της επένδυσης ηγήθηκαν τα Wischoff Ventures και South Park Commons, ενώ συμμετείχαν και αρκετοί angel investors, μεταξύ των οποίων ο Gil Elbaz, συνιδρυτής της Applied Semantics και πρωτοπόρος του Google AdSense.
Αν και θα μπορούσε να θεωρηθεί ότι το πρόβλημα της ταυτοποίησης χρηστών έχει ήδη λυθεί από την κλασική μηχανική μάθηση — δεδομένης της αποτελεσματικότητας της στόχευσης διαφημίσεων της Google — ο Fanous υποστηρίζει ότι η πραγματικότητα είναι διαφορετική.
Όπως εξηγεί, το «μυστικό συστατικό» της Google είναι η αποκλειστική πρόσβαση που διαθέτει στο ιστορικό αναζητήσεων και στη δραστηριότητα των χρηστών σε πολλαπλές πλατφόρμες. Πρόκειται για δεδομένα που δεν μοιράζεται με εξωτερικούς AI agents.
Η Nyne προσπαθεί να λύσει το πρόβλημα αναπτύσσοντας εκατομμύρια agents στο διαδίκτυο, οι οποίοι αναλύουν δημόσια διαθέσιμα ψηφιακά δεδομένα και τα επεξεργάζονται με τεχνικές machine learning.
Στο μέλλον, καθώς περισσότερες εταιρείες θα αναπτύσσουν consumer-facing AI agents, θα μπορούν να αξιοποιούν τη Nyne για να προσφέρουν στους agents βαθύτερη κατανόηση των υφιστάμενων και δυνητικών πελατών τους.
Ενώ οι προηγούμενες γενιές εταιρειών adtech κατάφεραν να συλλέξουν μέρος αυτών των δεδομένων, η Nyne φιλοδοξεί να το κάνει με πολύ μεγαλύτερη ακρίβεια για την εποχή των AI agents.
