700 മില്യൺ ഡോളർ സീരീസ് എ ഫണ്ടിംഗിന്റെ പിന്തുണയുള്ള അതിവേഗം വളരുന്ന സ്റ്റാർട്ടപ്പായ Hark, മനുഷ്യനെപ്പോലെ വെബ് ഉപയോഗിക്കാൻ രൂപകൽപ്പന ചെയ്ത "Handoff" എന്ന ഇന്റലിജന്റ് ഏജന്റിനെ ഔദ്യോഗികമായി അവതരിപ്പിച്ചു. വെറും ടെക്സ്റ്റ് ജനറേഷനിൽ നിന്നും മാറി, ഔദ്യോഗിക API പിന്തുണയില്ലാത്ത വെബ്‌സൈറ്റുകളിലെ സങ്കീർണ്ണമായ പ്രവർത്തനങ്ങൾ (workflows) ഓട്ടോമേറ്റ് ചെയ്യാൻ Handoff ലക്ഷ്യമിടുന്നു.

API ഇല്ലാതെ വെബ് ഉപയോഗിക്കാം

ഓട്ടോമേഷനിലെ ഏറ്റവും വലിയ വെല്ലുവിളികളിലൊന്ന് സ്ട്രക്ചർഡ് API-കളെ ആശ്രയിക്കേണ്ടി വരുന്നത് തന്നെയാണ്. വെബ്‌സൈറ്റിന്റെ ഘടനയും വിഷ്വൽ ഡാറ്റയും വിശകലനം ചെയ്തുകൊണ്ട് ഇന്റർഫേസുകളുമായി സംവദിക്കുന്നതിലൂടെ Hark-ന്റെ Handoff ഏജന്റ് ഈ പരിമിതിയെ മറികടക്കുന്നു. ഇത് Target, Walmart, OpenTable, LinkedIn തുടങ്ങിയ ഉയർന്ന ട്രാഫിക്കുള്ള, API ഇല്ലാത്ത പ്ലാറ്റ്‌ഫോമുകളിൽ തടസ്സമില്ലാതെ പ്രവർത്തിക്കാൻ ഏജന്റിനെ സഹായിക്കുന്നു.

ബട്ടണുകൾ ക്ലിക്ക് ചെയ്യേണ്ടത്, സ്ക്രോൾ ചെയ്യേണ്ടത്, അല്ലെങ്കിൽ ടെക്സ്റ്റ് ഇൻപുട്ട് ചെയ്യേണ്ടത് എന്നിവ തീരുമാനിക്കാൻ വിഷ്വൽ സൂചനകൾ മനസ്സിലാക്കിക്കൊണ്ടാണ് ഏജന്റ് പ്രവർത്തിക്കുന്നത്. അടുത്തിടെ നടന്ന ഒരു ഡെമോൺസ്‌ട്രേഷനിൽ, സങ്കീർണ്ണമായ "fuzzy" ലോജിക് കൈകാര്യം ചെയ്യാനുള്ള ഏജന്റിന്റെ കഴിവ് CEO Brett Adcock പ്രകടിപ്പിച്ചു—ഉദാഹരണത്തിന്, "ഫ്ലോറിസ്റ്റിന്റെ ഇഷ്ടപ്രകാരം കുറച്ച് പൂക്കൾ ചേർക്കുക" എന്ന് ഉപയോക്താവ് നിർദ്ദേശിക്കുമ്പോൾ ഒരു കസ്റ്റം പൂച്ചെണ്ട് തയ്യാറാക്കുന്നത് പോലെ. കണിശമായ കമാൻഡുകൾ നടപ്പിലാക്കുന്നതിനും അപ്പുറം, അർത്ഥപരമായ (semantic) ഒരു ധാരണ ഈ ശേഷി സൂചിപ്പിക്കുന്നു, ഇത് മനുഷ്യനും ഏജന്റും തമ്മിലുള്ള കൂടുതൽ സ്വാഭാവികമായ ആശയവിനിമയത്തിന് വഴിയൊരുക്കുന്നു.

Next-Token-ൽ നിന്ന് Next-Action പ്രവചനത്തിലേക്കുള്ള മാറ്റം

സാങ്കേതികമായി പറഞ്ഞാൽ, Hark നിലവിലുള്ള ലാർജ് ലാംഗ്വേജ് മോഡൽ (LLM) രീതിയിൽ നിന്നാണ് മാറുന്നത്. പരമ്പരാഗത LLM-കൾ ഒരു ടെക്സ്റ്റ് ക്രമത്തിലെ അടുത്ത ടോക്കൺ പ്രവചിക്കാൻ രൂപകൽപ്പന ചെയ്തവയാണെങ്കിൽ, Hark-ന്റെ മോഡൽ "അടുത്ത പ്രവർത്തനം" (next action) പ്രവചിക്കുന്ന രീതിയിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്. അതായത്, സ്ക്രീനിലെ ഒരു കൃത്യമായ കോർഡിനേറ്റിൽ മൗസ് ക്ലിക്ക് ചെയ്യുകയോ അല്ലെങ്കിൽ കീബോർഡ് ഇൻപുട്ട് നൽകുകയോ പോലുള്ള അടുത്ത ശാരീരികമോ ഡിജിറ്റലോ ആയ ഇടപെടലുകൾ ഈ മോഡൽ പ്രത്യേകം കണക്കാക്കുന്നു.

വികസനം വേഗത്തിലാക്കുന്നതിനായി Hark നിലവിൽ ഒരു post-trained മോഡൽ ഉപയോഗിക്കുന്നു. ഈ വർഷം അവസാനം നടക്കാനിരിക്കുന്ന പൂർണ്ണമായ pre-training ഘട്ടത്തിലേക്ക് കടക്കുന്നതിന് മുമ്പ്, കമ്പനിക്ക് അവരുടെ ട്രെയിനിംഗ് ഇൻഫ്രാസ്ട്രക്ചർ, ഡാറ്റാ പൈപ്പ്‌ലൈനുകൾ, പ്രത്യേക സാങ്കേതിക വിദ്യകൾ എന്നിവ വേഗത്തിൽ പരിഷ്കരിക്കാൻ ഈ തന്ത്രം സഹായിക്കുന്നു. വേഗതയ്ക്കും ചെലവ് കുറയ്ക്കുന്നതിനും വേണ്ടി ഏജന്റിനെ മെച്ചപ്പെടുത്താനാണ് ഈ രീതി ഉപയോഗിക്കുന്നത്.

കമ്പ്യൂട്ടർ ഉപയോഗിക്കുന്ന ഏജന്റുകളുടെ മത്സരരംഗം

തികച്ചും മത്സരബുദ്ധിയുള്ള ഒരു മേഖലയിലേക്കാണ് Hark പ്രവേശിക്കുന്നത്. "computer-use" രംഗത്തെ ആധിപത്യത്തിനായുള്ള മത്സരത്തിൽ Google, OpenAI, Anthropic തുടങ്ങിയ ടെക് ഭീമന്മാരും, Browser Use, Polar, Strawberry, Aside തുടങ്ങിയ പ്രത്യേക VC ഫണ്ടിംഗ് ലഭിച്ച സ്റ്റാർട്ടപ്പുകളും ഉൾപ്പെടുന്നു.

GPT 5.5 അല്ലെങ്കിൽ Opus 4.8 പോലുള്ള വലിയ മോഡലുകളെ അപേക്ഷിച്ച് മികച്ച വേഗതയും വളരെ കുറഞ്ഞ പ്രവർത്തനച്ചെലവും വാഗ്ദാനം ചെയ്തുകൊണ്ട് Hark ഒരു വിപ്ലവകരമായ ബദലായി മാറാൻ ശ്രമിക്കുന്നു. ഒരു പൊതുവായ ടെക്സ്റ്റ് മോഡലിന് പകരം പ്രവർത്തനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന (action-oriented) പ്രത്യേക ആർക്കിടെക്ചറിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിലൂടെ, ഉയർന്ന ഫ്രീക്വൻസിയുള്ളതും കുറഞ്ഞ ചെലവുള്ളതുമായ ബ്രൗസർ ഓട്ടോമേഷൻ വിപണി പിടിച്ചെടുക്കാൻ Hark ലക്ഷ്യമിടുന്നു.

കമ്പനി ഇതിനോടകം തന്നെ പ്ലാറ്റ്‌ഫോമിനായി ഒരു വെയിറ്റ്‌ലിസ്റ്റ് ആരംഭിച്ചു കഴിഞ്ഞു, വേനൽക്കാലാവസാനത്തോടെ പൂർണ്ണമായ സേവനം പുറത്തിറക്കാൻ അവർ ഉദ്ദേശിക്കുന്നു. ഡെവലപ്പർമാരെയും സ്ഥാപകരെയും സംബന്ധിച്ചിടത്തോളം, Handoff-ന്റെ വിജയം വെറും സംഭാഷണത്തേക്കാൾ ഉപരിയായി ജോലികൾ പൂർത്തിയാക്കുന്നതിന് മുൻഗണന നൽകുന്ന "Action Models"-ലേക്കുള്ള ഒരു മാറ്റത്തിന്റെ സൂചനയാകാം.

പ്രധാന കാര്യങ്ങൾ

  • ആക്ഷൻ ഓറിയന്റഡ് ആർക്കിടെക്ചർ: ടെക്സ്റ്റ് ടോക്കണുകൾ പ്രവചിക്കുന്ന സാധാരണ LLM-കളിൽ നിന്ന് വ്യത്യസ്തമായി, Hark-ന്റെ മോഡൽ ക്ലിക്കുകളും കീസ്ട്രോക്കുകളും പോലുള്ള പ്രത്യേക ഉപയോക്തൃ പ്രവർത്തനങ്ങൾ പ്രവചിക്കുന്നു.
  • API ഇല്ലാത്ത ഓട്ടോമേഷൻ: ഔദ്യോഗിക APIകൾ ഇല്ലാത്ത Walmart, LinkedIn തുടങ്ങിയ വെബ്‌സൈറ്റുകൾ ഉപയോഗിക്കാൻ Handoff ഏജന്റ് വിഷ്വൽ, സ്ട്രക്ചറൽ ഡാറ്റകൾ ഉപയോഗിക്കുന്നു.
  • ചെലവും വേഗതയും: GPT 5.5 പോലുള്ള പ്രധാന മോഡലുകളുടെ വിലയും ലേറ്റൻസിയും കുറയ്ക്കാൻ ലക്ഷ്യമിട്ടുകൊണ്ട്, കാര്യക്ഷമവും വലിയ തോതിലുള്ളതുമായ ബ്രൗസർ ടാസ്ക് ഓട്ടോമേഷനാണ് Hark ലക്ഷ്യമിടുന്നത്.

ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • ലോഞ്ച് ടൈംലൈൻ – Hark ഒരു വെയിറ്റ്‌ലിസ്റ്റ് ആരംഭിച്ചു കഴിഞ്ഞു, വേനൽക്കാലാവസാനം പൂർണ്ണമായ റിലീസ് പ്ലാൻ ചെയ്യുന്നു.
  • മോഡൽ പരിണാമം – Hark ഒരു post-trained മോഡലിൽ നിന്ന് ഈ വർഷം അവസാനം നടക്കാനിരിക്കുന്ന പൂർണ്ണമായ pre-training ഘട്ടത്തിലേക്ക് മാറുകയാണ്.