استارتاپ Modelence با جذب سرمایه 3 میلیون دلاری تلاش می کند تا از طریق یکپارچه سازی ابزارهای توسعه، مسیر ساخت آسان برنامه هوش مصنوعی را هموار کرده و چالش های سنتی میزبانی و مدیریت زیرساخت را برای نسل جدید کاربران از بین ببرد.
از اونجایی که ابزارهای هوش مصنوعی مهندسی نرم افزار رو برای همه در دسترس کردن، نسل جدیدی از کاربرها به وجود اومدن که مشتاقن اپلیکیشن های خودشون رو بسازن. این اشتیاق برای ساخت آسان برنامه هوش مصنوعی، فرصت های جدیدی ایجاد کرده. اما دقیقا همون طور که مدل های زبانی بزرگ (LLMها) سرعت کدنویسی رو بالا می برن، مشکلات قدیمی مثل میزبانی، امنیت و چالش های عمومی DevOps همچنان پابرجا موندن.
حل این مشکل یه فرصت تجاری واضح به حساب میاد، اما چون سیستم ها خیلی سریع دارن تغییر می کنن، سخته که بدونیم چطور باید از این فرصت برای توسعه و ساخت آسان برنامه هوش مصنوعی استفاده کنیم.
چالش ها در مسیر ساخت آسان برنامه هوش مصنوعی
یکی از جواب های جالب به این موضوع از طرف Modelence میاد؛ یه استارتاپ از دوره ی تابستان Y Combinator که چهارشنبه اعلام کرد 3 میلیون دلار سرمایه ی اولیه (seed round) جذب کرده. Y Combinator رهبری این دور رو بر عهده داشت و مجموعه هایی مثل Rebel Fund، Acacia Venture Capital Partners، Formosa VC و Vocal Ventures هم تو این سرمایه گذاری شرکت کردن.
شرکت Modelence تنها شرکتی نیست که دنبال این حوزه رفته. غول هایی مثل گوگل و آمازون و همین طور استارتاپ های کوچک تری که در مسیر کوچینگ فروش هوش مصنوعی فعالیت می کنند، همگی دارن سعی می کنن مشکل زیرساخت رو حل کنن تا فرآیند ساخت آسان برنامه هوش مصنوعی را تسهیل کنند. شرکت Modelence که تو کالیفرنیا مستقره، به خاطر مدل تشخیص مشکلش از بقیه متمایز شده. از نظر آرام شاتاختسیان (Aram Shatakhtsyan)، مدیرعامل این شرکت، مشکل اصلی سرویس های جداگانه نیستن؛ بلکه ارتباط بین اون هاست.
شاتاختسیان در مصاحبه ی اخیرش با TechCrunch گفت: «شما نمی خواید از هوش مصنوعی بخواید که بره سیستم احراز هویت بسازه، بعد دیتابیس رو راه اندازی کنه و در نهایت اون ها رو به هم وصل کنه، چون به احتمال خیلی زیاد این وسط یه چیزی خراب می شه.» این مسئله اهمیت یکپارچگی را برای ساخت آسان برنامه هوش مصنوعی نشان می دهد.
این تشخیص جالبیه، چون توضیح می ده که چطور ممکنه این همه ارائه دهنده ی سرویس در سطح جهانی وجود داشته باشن، اما در نهایت خروجی کار یه سیستم لرزان و ناپایدار باشه. این چالش، نیاز به رویکردی نوین برای ساخت آسان برنامه هوش مصنوعی را پررنگ می کند.
رویکرد Modelence برای ساخت آسان برنامه هوش مصنوعی
اون در توضیح محصولات مختلفی که مهندس های نرم افزار امروزه استفاده می کنن گفت: «Vercel بیشتر بخش فرانت اند شما رو پوشش می ده و Supabase هم دیتابیس و لایه های روی اون رو مدیریت می کنه. اما شما هنوز باید بقیه ی تیکه ها رو به هم بچسبونید. در بهترین حالت، شما با دو تا سیستم ابری سر و کار دارید.» خلاصه اینکه، فضای زیادی برای اشتباه کردن وجود داره و این مانع ساخت آسان برنامه هوش مصنوعی است.
رویکرد Modelence اینه که چیزی شبیه به یک سرویس «همه کاره» ارائه بده. فریم ورک یا همون مجموعه ابزار اون ها با TypeScript کار می کنه و خودِ شرکت کارهای احراز هویت، دیتابیس، میزبانی، ابزارهای نظارتی LLM و حتی ابزار اپلیکیشن ساز خودشون (شبیه به سبک Lovable) رو انجام می ده تا فقط اصطکاک های اضافی رو از بین ببره.
ایده ی جالبیه و باید دید که آیا می تونن کاربرها رو جذب کنن یا نه. اما با توجه به اینکه فضای ابزارهای مرتبط با کدنویسی با این سرعت داره تغییر می کنه، صرفا همگام موندن با این تغییرات خودش یه چالش واقعی برای ساخت آسان برنامه هوش مصنوعی خواهد بود.
ساده سازی ابزارهای توسعه و یکپارچه سازی سرویس های مختلف ابری، کلید اصلی برای دموکراتیزه کردن فناوری های نوین است. با پیشرفت پلتفرم هایی که پیچیدگی های فنی را از دوش توسعه دهندگان برمی دارند، انتظار می رود در آینده نزدیک شاهد ظهور اپلیکیشن های هوشمند و کاربردی تری باشیم که توسط طیف وسیع تری از افراد ساخته شده اند.
