Description
Sup AI a été construit autour de l'idée que la combinaison de plusieurs modèles d'IA pourrait produire des résultats plus précis que de s'appuyer sur un seul modèle. L'approche consistait à orchestrer un ensemble de modèles de pointe, à évaluer leurs résultats avec des probabilités logarithmiques et à synthétiser les résultats. Cette méthode s'est révélée efficace, surpassant souvent les modèles individuels même en utilisant des alternatives moins sophistiquées.
Le succès provenait de trois stratégies clés : sélectionner des modèles avec des erreurs non corrélées, optimiser les requêtes pour chaque modèle et fusionner les résultats en fonction des niveaux de confiance.
Malgré la croissance de l'utilisation et des conversions payantes, des défis sont apparus dans la mise en œuvre d'algorithmes sur les API des principaux fournisseurs. Des entreprises comme Anthropic et OpenAI ont commencé à limiter l'accès à des signaux critiques, tels que les traces de raisonnement et les probabilités logarithmiques, ce qui a entravé la capacité à construire des systèmes précis. Le paysage économique a également évolué, avec des marges élevées sur l'inférence rendant difficile la concurrence pour les développeurs indépendants face à des produits de consommation subventionnés.
La demande de précision dans l'IA grand public est bimodale, avec un petit segment prêt à payer pour des réponses fiables, tandis que la majorité privilégie le coût à la précision. Cette réalité a rendu difficile le maintien d'une entreprise axée sur la précision sur le marché grand public. Bien qu'il y ait eu des opportunités dans l'espace B2B, le fondateur, Ken Mueller, a décidé de s'éloigner de cette direction, cherchant à se concentrer sur la recherche à la place.
Mueller est maintenant étudiant en deuxième année à Stanford, où il prévoit de créer un laboratoire de recherche dédié au raisonnement causal dans les modèles de langage. Ce domaine d'étude vise à aborder les limites des modèles actuels dans la compréhension des causes et des effets, des interventions et des contrefactuels. L'objectif est de développer des références qui mettent en évidence où les modèles existants échouent et de créer un modèle qui intègre le raisonnement causal comme un aspect fondamental. Ce changement représente un engagement à explorer des questions plus profondes en IA, plutôt que d'optimiser des solutions existantes pour le profit.
Pour les utilisateurs ayant des abonnements actifs, les services ont été suspendus, et ils peuvent demander des remboursements ou des copies de données. Mueller encourage la communication ouverte pour des retours ou des questions concernant la nouvelle direction de son travail.
Fonctionnalités principales de Sup AI
Orchestration de Modèles d'Ensemble
Évaluation des Probabilités Logarithmiques
Recherche sur le Raisonnement Causal
Défis d'Intégration d'API
Base d'Utilisateurs Ciblée
Opportunités B2B
Incorporation des Retours Utilisateurs
Gestion des Abonnements
Comment utiliser Sup AI ?
Comprendre la mission : Apprenez le changement de l'ancien modèle de Sup AI vers un accent sur le raisonnement causal.
Explorer la recherche : Suivez les développements dans le raisonnement causal et ses implications pour l'IA.
Engager avec la communauté : Contactez pour des discussions ou des retours sur la nouvelle direction.
Gérer les abonnements : Contactez le support pour des remboursements ou des demandes de données si vous aviez un abonnement actif.
Cas d'utilisation de Sup AI
- Applications de Recherche
- Documents Juridiques
- Dosage Médical
- Analyse de Données
- Développement de Politiques
