由于微信限制了第三方应用的跳转,请使用以下方法。
1. 点击右上角的
2. 选择在浏览器中打开
由于微信限制了第三方应用的跳转,请使用以下方法。
1. 点击右上角的
2. 选择在浏览器中打开
文章转载来源：AIcore
原文来源：深思SenseAI
图片来源：由无界 AI生成
在企业内部让 agents 成为同事，甚至构建一个团队。近日，一个来自澳大利亚的初创公司 Relevance AI 完成 1000 万美金 A 轮融资，帮助企业低代码构建多 agents AI 团队。值得一提的是，过去三个月内，约有 6000 家公司已经注册使用了 Relevance AI，并运行了超过 25 万个任务，包括回答客户咨询、管理外部销售、进行市场研究等。
对于初期阶段的 AI Agent 产品，关键在于确保输出结果的准确性和可预测性，这通常依赖于标准操作流程（SOP）。然而，面对任务复杂度的提升，SOP 的局限性显现，无法应对更高级别的复杂任务。因此，该公司计划推出多 Agent 系统，表明解决复杂任务的需求日益依赖于多 Agent 结构的深入探索和实验。此类 AI Agent 公司产品面临的主要挑战是如何在保持输出准确性的同时，使多个 Agent 能够灵活地应对日益复杂的场景任务。
追求完全自动化的工作流并非目标，主要因为目前的大型模型能力尚不完善，无法高概率准确完成工作任务。即便大模型达到通用人工智能（AGI）水平，将所有任务决策完全依赖于大模型仍不理想。任务通常需要人的实时反馈和持续迭代，而不仅仅是简单的流水线操作。
Relevance AI
1. 产品：Relevance AI
2. 创立时间：2020年
3. 团队：Daniel Vassilev、Jacky Koh，Daniel Palmer
4. 产品简介： Relevance AI 是一个平台，能允许用户：
5. 融资情况：
01 愿景与使命
许多公司已经开始使用生成式 AI 工具，如 OpenAI 的 ChatGPT，这些工具被证明可以提高员工的工作表现，与未使用这些工具的工作者相比，提升幅度高达 40%。然而，只有拥有庞大工程团队的企业才能构建自己的 AI 工作力量。面对这一挑战，澳大利亚的初创公司 Relevance AI 提出了解决方案，旨在帮助各种规模的公司通过其基于 SaaS 的低代码平台构建定制 AI Agent，以实现任何用例或功能的最大化生产力。
我们的使命是让团队只受他们想法的限制，而不是他们的规模 - 从资深行业玩家到雄心勃勃的新人。我们消除了复杂性，并使 AI Agent 能够自主工作，完成详细的工作流程或完成复杂任务，具有公司可以信赖的准确性和可预测性。
——Daniel Vassilev：Relevance AI 联合创始人
在阐述公司的使命时，Relevance AI 的联合创始人 Daniel Vassilev 强调：“我们希望使团队的限制仅在于他们的想法，而非规模，无论是行业老手还是新兴挑战者。”他进一步指出，公司致力于简化技术难题，使 AI 代理能够独立工作，精确且可预测地完成复杂的工作流程和任务。
这种愿景的实现得益于最近的 A 轮融资，Relevance AI 筹集了一笔重要资金。这些资金将主要用于进一步开发其低代码平台，使企业能够构建和部署定制 AI 代理，从而自动化重复性任务。
过去三个月内，约有 6000 家公司注册使用 Relevance AI，并运行了超过 25 万个任务，包括回答客户咨询、管理外部销售或进行市场研究等。这些数字不仅证明了 Relevance AI 平台的强大能力，也显示出公司与科技、零售和快速消费品行业知名企业的紧密合作。
Vassilev 进一步解释公司的市场战略：“我们首先专注于销售和客服支持团队等领域，因为这些领域以文本为基础，并且具有显著的投资回报率（ROI）。”
Relevance AI 推出的 AI 工具和 AI Agent 正是为了满足这些领域的需求，用户可以将这些工具和代理集成到现有工作流程中，以自动化重复任务，并利用 AI 代理完成从研究到市场营销再到销售的整个流程。
展望未来，Relevance AI 对 AI 技术在各行各业的应用充满信心。公司预测：“到 2025 年，每个团队至少会雇用一名 AI 代理，而到 2030 年，将有完整的 AI 团队支持他们。”
Vassilev 强调了 Relevance AI 的目标客户群——那些希望将重复性工作自动化的公司和团队。与传统的聊天界面不同，Relevance AI 专注于基于任务的结果，并提供一种委派工作而非单纯对话的体验。此外，他指出，许多应用程序可以从 Relevance AI 的平台中受益，自动化执行重复性任务。例如，产品经理可以使用 AI 代理帮助制定规格和进行研究，工程师可以借助 AI 进行代码审查。公司也正在探索涉及图像和音频的多模态用例。
目前，公司有 19 名员工，计划到 2024 年中期将员工人数增加到约 30 人，并计划明年在旧金山设立办事处，以扩大其在美国的业务。
02 场景与用例
场景一：销售场景下的个性化推广
个性化外联：AI 的个性化功能极大提高了外联活动的效率。通过一键实现规模化个性化，它不仅能将回应率提升高达 8 倍，还能显著增加转化率。这种方法在拥挤的收件箱中脱颖而出，更容易吸引潜在客户的注意，从而增强推广活动的有效性。
社交媒体和电子邮件互动：利用 AI 优化的个性化策略，可以将 LinkedIn 连接率提升 2 倍，电子邮件回复率增加 8 倍，同时将客户退订率减少 3 倍。这些显著的提升不仅意味着更高效的客户接触，还增强了市场推广的影响力。
规模化的人性化和个性化数据自动化抓取：AI 智能地识别和提取关键细节，包括从 LinkedIn、文档、网站、Google、新闻等独特来源抓取数据，超越了传统的{职位}、{地点}和{公司}信息，使得信息更加突出。
一键个性化成千上万条信息：告别繁琐的单一外联过程，AI 个性化技术能够一键处理成千上万条信息，实现广泛的观众连接，同时保持个性化信息的高质量。
完全控制个性化内容：用户可完全自主定制个性化内容的每个方面，从语调和风格到内容本身，甚至可以串联多个提示，使用最新的 AI 模型，而超越 OpenAI的限制。
与销售工具的集成：这种 AI 个性化技术可以无缝集成进现有的销售工具堆栈，如销售智能、潜在客户数据库、LinkedIn 自动化和电子邮件自动化等。这种集成不仅提升了效率，还确保了技术与现有销售流程的兼容性，为销售团队提供了强大的支持。
场景二：客服场景下的客户体验
Relevance AI 的引入，特别是在行动洞察的获取方面，标志着从客户反馈中提取信息的转变。传统的方法往往是缓慢、手动、成本高昂且带有偏见。而 Relevance AI 则提供了一种快速、自动化、经济高效的方案，能够从任何来源处理逐字的客户反馈，提供规模化的行动性洞察。这一转变意味着，与繁琐的手动分析开放式反馈的过程相比，现在可以更轻松地获得深入洞察。
Relevance AI 的无代码 AI 功能使得数分钟内即可获取可操作的洞察，而非数周。用户可以即时对反馈进行分类和深入分析，并分析比较情感和情绪。
在反馈分析的自动化方面：
有洞察力的AI分析：AI 理解文本的含义，能够找到不同上下文之间的联系，避免了传统关键词匹配和手动业务规则的局限。它能从所有反馈中生成 AI 摘要，并通过语义搜索和过滤器进行深入分析。
无需培训或标记：用户可以在几分钟内实现从零到八成的价值，得益于预训练的、尖端的 AI
模型，这一过程既节省时间又易于操作。
端到端的无代码平台：Relevance AI支持从多个来源拖放任何文本或音频数据，或通过预建集成建立连接。它能够处理数据，构建可定制的图表、报告和仪表板，支持上传和分析任何非结构化或结构化数据，并分享仪表板或导出结果。
Relevance AI的强大功能不仅限于数据分析，它还助力用户清理数据，编写复杂查询，运行模型，并创建精美的仪表板和应用程序。这包括语义搜索、AI标签自动化、自动分类、AI助手“Ask Relevance”用于总结洞察、智能规则结合、情感分析和图像搜索。
此外，Relevance AI 与关键数据工具的无缝集成大幅提升了其易用性和功能性。它与Qualtrics、Q Software、Survey Monkey、Medallia、SPSS和Kapiche等平台的集成，提供了从客户反馈到数据分析的一系列解决方案。
03 相较于 OpenAI API 的优势
从单一提示到 LLM 链的无缝过渡
Relevance AI 使用户能够从单一提示开始，轻松过渡到更复杂的 LLM 链以应对高级用例。用户可以添加其他变换，如 API 请求和 JS 代码执行，使 AI 链更强大、更多样化。从简单的提示开始，逐渐构建复杂的模型以满足特定需求。相比之下，OpenAI API 在整合高级用例时更具挑战性，需要更多的开发时间。
增强的监控和成本跟踪
Relevance AI 提供优越的监控和成本跟踪能力，使用户可以轻松掌握AI链的使用和费用，确保预算内优化性能。而在 OpenAI API 中，需要依赖多个工具才能达到同样的洞察水平。
简化的协作和共享
Relevance AI 通过使协作和共享 AI 链变得简单，促进团队合作。团队可以一起创建和部署更有效的提示和模型，确保实现业务目标，并让非技术团队成员参与其中。对于需要多个团队成员参与的复杂项目，Relevance AI 是改变游戏规则的工具。与此相比，OpenAI API 的协作目前还依赖于电子邮件、Slack 和截图。
直观的 Notebook 体验
Relevance AI 的 Notebook 功能专为快速实验提示而设计。测试不同的提示并查看实时结果，帮助用户精炼模型并提高其准确性。而在 OpenAI API 中，实验提示更耗时且用户体验较差。
更优的质量控制
Relevance AI 的质量控制功能确保 LLM 输出符合特定模式，匹配预期输出并避免错误，确保模型产生准确结果。而在 OpenAI API 中，用户需要自行构建必要的检查来确保输出的准确性。
简化的版本控制
使用 Relevance AI 的无缝版本控制功能，可以轻松管理 AI 链的不同版本，这在测试各种模型或提示更改时极具价值。OpenAI API 则留给用户自行构建和跟踪这些更改，使版本控制更具挑战。
轻松的 LLM 切换
Relevance AI 允许用户轻松在不同的 LLM 之间切换，使用户能够实验并找到最适合特定用例的 LLM。不限于单一 LLM，为 AI 链提供了更大的灵活性和控制权。而在 OpenAI API 中，切换 LLM 更具挑战性，尤其是如果依赖外部工具来管理模型。
参考材料
来源：AIcore
发布人：暖色
声明：该文观点仅代表作者本人，不代表火讯财经立场。火讯财经系信息发布平台，仅提供信息存储空间服务。
如文章涉及侵权， 请及时致函告之，本站将第⼀时间删除⽂章。邮箱：840034348@qq.com
