Bespoke Labs Inc., yapay zeka projelerinin post-training (eğitim sonrası) aşamasını kolaylaştırmaya odaklanan bir girişim, 40 milyon dolar yatırım aldığını duyurdu. Şirket, fonun iki dilim halinde geldiğini belirtti.
Bespoke Labs, fonun büyük kısmı olan 31,75 milyon doları Wing VC liderliğindeki Series A turunda topladı. Bu tura Mayfield, The House Fund ve Anthropic gibi büyük teknoloji firmalarının çalışanları katıldı. Daha önce ise Google DeepMind baş bilimcisi Jeff Dean'in de aralarında bulunduğu bir konsorsiyumdan 8,25 milyon dolar yatırım almıştı.
Geliştiricilerin özel bir yapay zeka modeli oluşturma süreci iki ana aşamadan oluşur. İlk aşama olan pre-training (ön eğitim), sinir ağına temel becerileri ve bilgiyi kazandırır. İkinci aşama olan post-training ise modelin muhakeme yeteneklerini geliştirir ve uzun vadeli görev tamamlama gibi alanlarda iyileştirmeler sağlar.
Geliştiriciler genellikle post-training için pekiştirmeli öğrenme (reinforcement learning) adı verilen bir yöntem kullanır. Temel fikir, yapay zekaya üretimde yapacağı işe benzer örnek görevler vermektir. Model bir görevi doğru tamamladığında, algoritmanın yapılandırmasını ayarlayarak çıktı kalitesini artıran bir "ödül" alır.
Pekiştirmeli öğrenme, her projeye özel sanal ortamlarda gerçekleştirilir. Örneğin, bir üretkenlik ajanı çalışan iş istasyonlarını simüle eden bir sanal alanda eğitilebilirken, bir kodlama ajanı simüle edilmiş bir GitHub deposu gerektirebilir.
Bespoke Labs, pekiştirmeli öğrenme ortamları oluşturmayı kolaylaştıran bir platform sunuyor. Şirkete göre yazılım, otomasyon iş akışları ve bir insan uzman ağından gelen girdiler kullanarak simülasyonlar üretiyor. Platform, geleneksel manuel yöntemlerden önemli ölçüde daha hızlı çalıştığını iddia ediyor.
Platform, oluşturduğu yapay zeka ortamlarını bir sanal alan katmanı (sandboxing layer) kullanarak çalıştırıyor. Bu bileşen gecikmeyi en aza indirmeye ve verimi artırmaya yardımcı oluyor. Platformun üçüncü temel bileşeni ise eğitilen yapay zeka modellerinin çıktı kalitesini otomatik olarak optimize ediyor.
Optimizasyon için kullanılan teknolojilerden biri, Bespoke'un geçen yıl yayınladığı açık kaynaklı proje GEPA. Bu yazılım, bir yapay zeka modelinin çıktı kalitesini en üst düzeye çıkaran belirli istekleri ve istek biçimlerini bulma süreci olan prompt mühendisliğini otomatikleştiriyor.
Bespoke'un açık kaynak çalışmaları yalnızca pekiştirmeli öğrenmeye odaklı değil. Şirket ayrıca denetimli ince ayar (supervised fine-tuning, SFT) adı verilen bir başka popüler post-training yöntemine de öncelik veriyor. Bu yöntem, yapay zeka modellerine çıktılarını iyileştirmek için kullanabilecekleri örnek istekler ve yanıtlar sağlayarak çalışıyor.
SFT soru setlerini oluşturmak oldukça zaman alıcı olabiliyor. Geçen Ocak ayında Bespoke, bir milyondan fazla örnek istek ve yanıt içeren OpenThoughts adlı bir veri seti yayınladı. Şirket, OpenThoughts'un önceki SFT veri setlerinden daha iyi post-training sonuçları sağladığını belirtiyor.
Bespoke Labs, yeni topladığı sermayeyi pekiştirmeli öğrenme platformunu geliştirmek ve daha fazla yapay zeka veri araştırmasını finanse etmek için kullanacak.
Neden önemli
Post-training, büyük dil modellerinin (LLM) belirli kullanım durumlarına uyarlanmasında kritik bir adım. Bespoke Labs'ın bu alana odaklanması, temel modellerin yaygınlaşmasıyla birlikte ince ayar ve özelleştirme ihtiyacının arttığını gösteriyor. Şirketin açık kaynak katkıları (GEPA ve OpenThoughts), sektörün bu alandaki araç eksikliğini gidermeye yönelik. Yatırımın Wing VC gibi bir kurum ve Anthropic çalışanları gibi sektör içi oyunculardan gelmesi, post-training pazarının stratejik önemini vurguluyor.
