Arga $10 ಮಿಲಿಯನ್ ಸೀಡ್ ರೌಂಡ್ ಅನ್ನು ಮುಕ್ತಾಯಗೊಳಿಸಿದೆ, ಇದು ಡೆವಲಪರ್‌ಗಳು ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಏಜೆಂಟ್‌ಗಳನ್ನು reinforcement learning ಮೂಲಕ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ತರಬೇತಿಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ “digital-twin” ಸ್ಯಾಂಡ್‌ಬಾಕ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹಕಾರಿಯಾಗಲಿದೆ. General Catalyst ಈ ರೌಂಡ್ ಅನ್ನು ಮುನ್ನಡೆಸಿತು, ಮತ್ತು Box Group, Emergence, Gradient ಮತ್ತು SV Angel ಇದರಲ್ಲಿ ಭಾಗವಹಿಸಿವೆ. ಈ ಹಣವು ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗೆ high-fidelity ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ಉದಯೋನ್ಮುಖ AI-agent ಸ್ಟ್ಯಾಕ್‌ನ ಪ್ರಮುಖ ಭಾಗವಾಗಿ ಪರಿವರ್ತಿಸಲು ಅಗತ್ಯವಾದ ಹಣಕಾಸಿನ ನೆರವು (runway) ನೀಡುತ್ತದೆ.

ಪ್ರಸ್ತುತ AI ಏಜೆಂಟ್‌ಗಳು ವ್ಯವಹಾರದ ಪರಿಸರದಲ್ಲಿ ಏಕೆ ಎಡವುತ್ತವೆ

ಕೋಡ್ ಬರೆಯುವ ಅಥವಾ ಇಮೇಲ್‌ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುವ AI ಸಹಾಯಕರು ಸುದ್ದಿಯಲ್ಲಿದ್ದಾರೆ, ಆದರೆ ಕಂಪನಿಯ ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಏಜೆಂಟ್‌ಗಳು ನೈಜ-ಪ್ರಪಂಚದ ಕಾರ್ಯವಿಧಾನಗಳಲ್ಲಿ (workflows) ಎಡವುತ್ತಿವೆ. ಇಂದಿನ ಹೆಚ್ಚಿನ ಪರೀಕ್ಷಾ ವ್ಯವಸ್ಥೆಗಳು ಕೇವಲ stateless API endpoints ಅನ್ನು ಮಾತ್ರ ಪ್ರದರ್ಶಿಸುತ್ತವೆ—ಅಂದರೆ Salesforce, Workday ಅಥವಾ HubSpot ನಂತಹ ಪರಿಕರಗಳನ್ನು ಚಲಾಯಿಸುವ ಸಂಕೀರ್ಣ ಸ್ಥಿತಿ (state), ಅನುಮತಿಗಳು (permissions) ಮತ್ತು event-driven ತರ್ಕವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ಸರಳ request-and-response ಕರೆಗಳು ಮಾತ್ರ ಇವುಗಳಲ್ಲಿವೆ. ಒಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಹೊಸ ಲೀಡ್ (lead) ಮತ್ತೊಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಸಂಪರ್ಕಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಬೇಕಾದ ಅಥವಾ ಹಲವಾರು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ಮೂಲಕ ಅನುಮೋದನೆಗಳ ಸರಣಿಯನ್ನು ಪ್ರಾರಂಭಿಸಬೇಕಾದ ಏಜೆಂಟ್ ಅನ್ನು, ಇಂತಹ ಕೇವಲ ಮೇಲ್ಪದರದ ಅಬ್‌ಸ್ಟ್ರಾಕ್ಷನ್‌ಗಳ (abstractions) ಮೂಲಕ ಪರೀಕ್ಷಿಸಿದಾಗ ಅದರ ಮೇಲೆ ನಂಬಿಕೆ ಇಡಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಡೆವಲಪರ್‌ಗಳು ಒಂದು ಸಂದಿಗ್ಧತೆಯನ್ನು ಎದುರಿಸುತ್ತಿದ್ದಾರೆ: ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ನಲ್ಲಿ ಚೆನ್ನಾಗಿ ಕಾಣುವ ಆದರೆ ಲೈವ್ ಡೇಟಾದಲ್ಲಿ ವಿಫಲವಾಗುವ ಏಜೆಂಟ್ ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವುದು, ಅಥವಾ ಹೆಚ್ಚು ವಾಸ್ತವಿಕ ಪರೀಕ್ಷಾ ವಿಧಾನವನ್ನು ನಿರ್ಮಿಸುವವರೆಗೆ ನಿಯೋಜನೆಯನ್ನು ತಡೆಹಿಡಿಯುವುದು—ಇಂತಹ ವಿಧಾನವು ಇದುವರೆಗೆ ಬಹುತೇಕ ಇಲ್ಲದಿದ್ದಾಗಿದೆ.

ಸಾಫ್ಟ್‌ವೇರ್‌ಗೆ 'crash-test dummy' ಆಗಿ ಡಿಜಿಟಲ್ ಟ್ವಿನ್‌ಗಳು

Arga ನ ಉತ್ತರವೆಂದರೆ permission hierarchies, webhook callbacks ಮತ್ತು data models ಸೇರಿದಂತೆ ಸಂಪೂರ್ಣ SaaS ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಕ್ಲೋನ್ ಮಾಡುವುದು. ಇದರ ಫಲಿತಾಂಶವೇ “digital twin”—ಇದು ಪ್ರೊಡಕ್ಷನ್ ಸಿಸ್ಟಮ್‌ನಂತೆ ವರ್ತಿಸುವ ಆದರೆ ಒಂದು ಕ್ಲಿಕ್ ಮೂಲಕವೇ ಅದನ್ನು ವಿಸರ್ಜಿಸಲು, ಹಿಂದಕ್ಕೆ ಹೋಗಲು (rewind) ಅಥವಾ ಮರುರೂಪಿಸಲು (reconfigure) ಸಾಧ್ಯವಾಗುವ ವರ್ಚುವಲ್ ಪ್ರತಿರೂಪವಾಗಿದೆ. ಆಟೋಮೋಟಿವ್ ಎಂಜಿನಿಯರ್‌ಗಳು ನೈಜ ವಾಹನವು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂದು ತಿಳಿಯಲು ಡಮ್ಮಿ ಕಾರನ್ನು ಡಿಕ್ಕಿ ಹೊಡೆಯುವಂತೆ, ಡೆವಲಪರ್‌ಗಳು AI ಏಜೆಂಟ್ ಅನ್ನು ಸಿಮ್ಯುಲೇಟೆಡ್ Salesforce ಇನ್‌ಸ್ಟೆನ್ಸ್ ಎದುರು ನಿಲ್ಲಿಸಬಹುದು, ಅದು ಲೀಡ್ ಹೊಂದಾಣಿಕೆಯನ್ನು (lead reconciliation) ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವೀಕ್ಷಿಸಬಹುದು, ಪರಿಸರವನ್ನು ಮರುಹೊಂದಿಸಬಹುದು (reset) ಮತ್ತು ಅಂತಹ ಸನ್ನಿವೇಶವನ್ನು ಸಾವಿರಾರು ಬಾರಿ ನಡೆಸಬಹುದು.

ಈ twin ಒಂದು ನಿಯಂತ್ರಿತ ಕಂಟೇನರ್‌ನಲ್ಲಿ ಇರುವುದರಿಂದ, Arga ಏಕಕಾಲದಲ್ಲಿ ಹಲವಾರು ಇನ್‌ಸ್ಟೆನ್ಸ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸಬಹುದು, ಇದು ಪ್ರತಿ reinforcement-learning (RL) ಇಟರೇಶನ್‌ಗೆ ಹೊಸ ಆರಂಭವನ್ನು ನೀಡುತ್ತದೆ. RL—ಅಂದರೆ ಏಜೆಂಟ್ ತಪ್ಪು ಮತ್ತು ತಿದ್ದುಪಡಿಗಳ ಮೂಲಕ ಕಲಿಯುವ ಮತ್ತು ಬಹುಮಾನ ಅಥವಾ ದಂಡಗಳನ್ನು ಪಡೆಯುವ ಪ್ರಕ್ರಿಯೆ—ನಂಬಲರ್ಹ ವರ್ತನೆಯನ್ನು ಪಡೆಯಲು ಬೃಹತ್ ಪುನರಾವರ್ತನೆಯನ್ನು ಬಯಸುತ್ತದೆ. Arga ನ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಅಂತಹ ಪುನರಾವರ್ತನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; ಇದು ಕೋಡ್-ಜನರೇಷನ್ ಮಾಡೆಲ್‌ಗಳು ಕಾಂಪೈಲರ್‌ಗಳು, ಡೆಬಗ್‌ಗರ್‌ಗಳು ಮತ್ತು CI ಪೈಪ್‌ಲೈನ್‌ಗಳ ಮೂಲಕ ಅನುಭವಿಸಿರುವ ವಿಷಯವಾಗಿದ್ದರೂ, ಬಿಸಿನೆಸ್-ಪ್ರೊಸೆಸ್ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಇದು ಲಭ್ಯವಿರಲಿಲ್ಲ.

ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಸ್ಟ್ಯಾಕ್‌ನಲ್ಲಿ ಕಾಣೆಯಾಗಿರುವ ಪದರ

ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಜಗತ್ತು ಈಗಾಗಲೇ ಪರಿಪಕ್ವವಾದ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊಂದಿದೆ: ಡೆವಲಪರ್‌ಗಳು ಪರೀಕ್ಷಾ ಪರಿಸರಗಳಿಗೆ ಕೋಡ್ ಅನ್ನು ಕಳುಹಿಸುತ್ತಾರೆ (push), ಬದಲಾವಣೆಗಳನ್ನು ಹಿಂಪಡೆಯುತ್ತಾರೆ (roll back) ಮತ್ತು ಪ್ರೊಫೈಲರ್‌ಗಳೊಂದಿಗೆ ರನ್‌ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತಾರೆ. ಅಂತಹ ಪರಿಕರಗಳು ಕೋಡ್-ಅಸಿಸ್ಟೆಂಟ್ ಮಾಡೆಲ್‌ಗಳ ವೇಗದ ಪ್ರಗತಿಗೆ ಶಕ್ತಿ ತುಂಬಿವೆ. Arga ಈಗ ಬಿಸಿನೆಸ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಅಂತಹದೇ ಒಂದು ಪದರವನ್ನು ನಿರ್ಮಿಸುತ್ತಿದೆ, ಇದು ಪ್ರಾಯೋಗಿಕ ಏಜೆಂಟ್‌ಗಳನ್ನು ಪ್ರೊಡಕ್ಷನ್-ಗ್ರೇಡ್ ಕೆಲಸಗಾರನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವ ಅಡಿಪಾಯವಾಗಬಲ್ಲದು.

General Catalyst ನ Yuri Sagalov ಮಾರುಕಟ್ಟೆಯ ತರ್ಕವನ್ನು ಹೀಗೆ ವಿವರಿಸಿದರು: ಏಜೆಂಟ್‌ನ ಆರ್ಥಿಕ ಪ್ರಭಾವವು ನೈಜ ಬಿಸಿನೆಸ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಅದರ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಒಂದು AI, ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ ಗ್ರಾಹಕರ ದಾಖಲೆಯನ್ನು CRM ನಿಂದ ಇಮೇಲ್ ಕ್ಯಾಂಪೇನ್‌ಗೆ ನಂಬಲರ್ಹವಾಗಿ ವರ್ಗಾಯಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅದರ ಮೌಲ್ಯವು ಗಣನೀಯವಾಗಿ ಕುಸಿಯುತ್ತದೆ. ಪುನರಾವರ್ತಿಸಬಹುದಾದ, high-fidelity ತರಬೇತಿ ನೆಲೆಯನ್ನು ಒದಗಿಸುವ ಮೂಲಕ, Arga "agent-ready" ಮಟ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.

ಯಾರು ಲಾಭ ಪಡೆಯುತ್ತಾರೆ ಮತ್ತು ಯಾರು ಹೊಸ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತಾರೆ

AI ಏಜೆಂಟ್‌ಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಎಂಟರ್‌ಪ್ರೈಸ್‌ಗಳು ದೈನಂದಿನ ಕಾರ್ಯಗಳ ವೇಗದ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆ (automation), ಕಡಿಮೆ ಮ್ಯಾನುಯಲ್ ಡೇಟಾ ಎಂಟ್ರಿ ಮತ್ತು ಹೆಚ್ಚುವರಿ ಸಿಬ್ಬಂದಿಯನ್ನು ನೇಮಿಸಿಕೊಳ್ಳದೆ ಜ್ಞಾನದ ಕೆಲಸವನ್ನು (knowledge work) ವಿಸ್ತರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಾಣಬಹುದು. ಡೆವಲಪರ್‌ಗಳಿಗೆ, ಈ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಅಪಾಯದ ಪ್ರಮುಖ ಮೂಲವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ, ಇದು ಯಾವುದೇ ಪ್ರೊಡಕ್ಷನ್ ಬಿಡುಗಡೆಯ ಮೊದಲು ವೇಗವಾಗಿ ಕೆಲಸ ಮಾಡಲು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸಾಬೀತುಪಡಿಸಲು ಅವರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.

ಹೂಡಿಕೆದಾರರು ಪ್ರಸ್ತುತ ನಿರ್ಣಾಯಕ ಮೂಲಸೌಕರ್ಯದ ಕೊರತೆಯಿರುವ ಮಾರುಕಟ್ಟೆಯನ್ನು ನೋಡುತ್ತಿದ್ದಾರೆ. ಈ $10 ಮಿಲಿಯನ್ ರೌಂಡ್, ನಂಬಲರ್ಹ ಏಜೆಂಟ್‌ಗಳಿಗಾಗಿ ಇರುವ ಬೇಡಿಕೆಯು ಅವುಗಳನ್ನು ನಿರ್ಮಿಸುವ ಪರಿಕರಗಳ ಪೂರೈಕೆಯನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂಬ ವಿಶ್ವಾಸವನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಈ ವಿಧಾನವು ಸವಾಲುಗಳಿಂದ ಮುಕ್ತವಾಗಿಲ್ಲ. ನಿರಂತರವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ SaaS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ನಿಖರವಾದ ಪ್ರತಿರೂಪಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಒಂದು ಸವಾಲಿನ ಕೆಲಸ; ಪ್ರತಿಯೊಂದು ಪ್ರಮುಖ API ಅಪ್‌ಡೇಟ್ ಕೂಡ twin ನಲ್ಲಿ ಅನುರೂಪ ಬದಲಾವಣೆಯನ್ನು ಬಯಸಬಹುದು. ಕಂಪನಿಗಳು ತಮ್ಮ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಸಿಮ್ಯುಲೇಶನ್‌ಗೆ ನಂಬುವ ಬಗ್ಗೆ ಹಿಂಜರಿಯಬಹುದು, ಪರಿಸರಗಳು ಪ್ರತ್ಯೇಕವಾಗಿದ್ದರೂ ಸಹ. ಅಂತಿಮವಾಗಿ, ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ನಲ್ಲಿಯೂ ಸಹ ದೊಡ್ಡ ಪ್ರಮಾಣದ RL ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವುದು ವೆಚ್ಚದಾಯಕವಾಗಬಹುದು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ನಿರೀಕ್ಷಿತ ಉತ್ಪಾದಕತೆಯ ಲಾಭಗಳಿಗಾಗಿ ಈ ವೆಚ್ಚವನ್ನು ಸಮರ್ಥಿಸಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

  • ಉತ್ಪನ್ನ ಬಿಡುಗಡೆ: ಆರಂಭಿಕ ಬಳಕೆದಾರರು ಈ ಟ್ವಿನ್‌ಗಳು ಪ್ರೊಡಕ್ಷನ್ ವರ್ತನೆಗೆ ಎಷ್ಟು ಹತ್ತಿರವಾಗಿವೆ ಮತ್ತು ಡೆವಲಪರ್‌ಗಳು ಎಷ್ಟು ವೇಗವಾಗಿ ಅರ್ಥಪೂರ್ಣ RL ಕನ್ವರ್ಜೆನ್ಸ್ ಸಾಧಿಸಬಹುದು ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತಾರೆ.
  • ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಇಂಟಿಗ್ರೇಷನ್‌ಗಳು: ಪ್ರಮುಖ SaaS ಮಾರಾಟಗಾರರೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆ ಮಾಡಿಕೊಳ್ಳುವುದು ಕ್ಲೋನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸರಳಗೊಳಿಸಬಹುದು, ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಎರಡೂ ಕಡೆಯವರಿಗೆ ಹೊಸ ಆದಾಯದ ಮೂಲಗಳನ್ನು ತೆರೆಯಬಹುದು.
  • ಮುಂದಿನ ಹಂತದ ಹಣಕಾಸು ನೆರವು: ಆರಂಭಿಕ ಗ್ರಾಹಕರು ಸ್ಪಷ್ಟವಾದ ROI ಅನ್ನು ಪ್ರದರ್ಶಿಸಿದರೆ, ದೊಡ್ಡ ಮಟ್ಟದ ಹಣಕಾಸು ಸಂಗ್ರಹವು ನೇಮಕಾತಿಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು, ಬೆಂಬಲಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಪಟ್ಟಿಯನ್ನು ವಿಸ್ತರಿಸಬಹುದು ಮತ್ತು ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಬದಲಾವಣೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಟ್ವಿನ್‌ಗಳನ್ನು ಇರಿಸಲು ಅಗತ್ಯವಿರುವ ಎಂಜಿನಿಯರಿಂಗ್‌ಗೆ ಹಣಕಾಸು ಒದಗಿಸಬಹುದು.
  • ನಿಯಂತ್ರಕ ಮತ್ತು ಭದ್ರತಾ ಪರಿಶೀಲನೆ: AI ಏಜೆಂಟ್‌ಗಳು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾದ ಕೆಲಸದ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತಿದ್ದಂತೆ, ತರಬೇತಿಗಾಗಿ ಸಿಮ್ಯುಲೇಟೆಡ್ ಪರಿಸರಗಳ ಬಳಕೆಯನ್ನು ಕಂಪ್ಲೈಯನ್ಸ್ ಚೌಕಟ್ಟುಗಳು ಪರಿಗಣಿಸಬಹುದು, ಇದು Arga ತನ್ನ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ವಿಧಾನವನ್ನು ರೂಪಿಸಬಹುದು.

ಅಂತಿಮವಾಗಿ

ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಏಜೆಂಟ್‌ಗಳು ಕೇವಲ ಪ್ರೂಫ್-ಆಫ್-ಕನ್ಸೆಪ್ಟ್ ಹಂತದಿಂದ ಮುಂದೆ ಸಾಗದಂತೆ ತಡೆಯುತ್ತಿದ್ದ ಒಂದು ಕೊರತೆಯನ್ನು Arga ತುಂಬುತ್ತಿದೆ. ಬಿಸಿನೆಸ್ ಸಾಫ್ಟ್‌ವೇರ್‌ನ ಮರುಹೊಂದಿಸಬಹುದಾದ (resettable), ಹೆಚ್ಚಿನ ನಿಖರತೆಯ ಪ್ರತಿಕೃತಿಯನ್ನು ಒದಗಿಸುವ ಮೂಲಕ, ಈ ಸ್ಟಾರ್ಟ್‌ಅಪ್ ಡೆವಲಪರ್‌ಗಳಿಗೆ ರಿಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (reinforcement learning) ಮೂಲಕ ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಪ್ರೊಡಕ್ಷನ್-ರೆಡಿ ಏಜೆಂಟ್‌ಗಳನ್ನು ತಯಾರಿಸಲು ಅಗತ್ಯವಿರುವ ದತ್ತಾಂಶ ಸಮೃದ್ಧವಾದ ಪ್ಲೇಗ್ರೌಂಡ್ ಅನ್ನು ನೀಡುತ್ತದೆ. $10 ಮಿಲಿಯನ್ ಸೀಡ್ ಹೂಡಿಕೆಯು ಮಾರುಕಟ್ಟೆಯ ಅಗತ್ಯತೆ ಮತ್ತು ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳನ್ನು (autonomous agents) ಕೇವಲ ಒಂದು ಹೊಸತನದ ವಸ್ತುವಿನಿಂದ ಆಧುನಿಕ ಎಂಟರ್‌ಪ್ರೈಸ್‌ನ ಪ್ರಮುಖ ಕೆಲಸದ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸಬಲ್ಲ ಪರಿಹಾರದ ಮೇಲೆ ಹೂಡಿಕೆದಾರರು ತೆಗೆದುಕೊಳ್ಳಲು ಸಿದ್ಧರಿರುವ ಅಪಾಯ ಎರಡನ್ನೂ ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.