Arga ਨੇ "digital-twin" sandboxes ਬਣਾਉਣ ਲਈ $10 ਮਿਲੀਅਨ ਦਾ seed round ਪੂਰਾ ਕੀਤਾ ਹੈ, ਜੋ developers ਨੂੰ reinforcement learning ਰਾਹੀਂ enterprise AI agents ਨੂੰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। General Catalyst ਨੇ ਇਸ ਰਾਊਂਡ ਦੀ ਅਗਵਾਈ ਕੀਤੀ, ਜਿਸ ਵਿੱਚ Box Group, Emergence, Gradient ਅਤੇ SV Angel ਨੇ ਹਿੱਸਾ ਲਿਆ। ਇਹ ਨਕਦੀ startup ਨੂੰ high-fidelity simulations ਨੂੰ ਉੱਭਰ ਰਹੇ AI-agent stack ਦੇ ਇੱਕ ਮੁੱਖ ਹਿੱਸੇ ਵਿੱਚ ਬਦਲਣ ਲਈ ਰਾਹ ਦਿਖਾਉਂਦੀ ਹੈ।

ਵਪਾਰਕ ਮਾਹੌਲ ਵਿੱਚ ਮੌਜੂਦਾ AI agents ਕਿਉਂ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ

ਕੋਡ ਲਿਖਣ ਜਾਂ ਈਮੇਲ ਡਰਾਫਟ ਕਰਨ ਵਾਲੇ AI assistants ਸੁਰਖੀਆਂ ਖਿੱਚਦੇ ਹਨ, ਪਰ ਉਹ agents ਜੋ ਕਿਸੇ ਕੰਪਨੀ ਦੇ software ecosystem ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਜੇ ਵੀ ਅਸਲ-ਦੁਨੀਆ ਦੇ workflows ਵਿੱਚ ਫਸ ਜਾਂਦੇ ਹਨ। ਅੱਜ ਦੇ ਜ਼ਿਆਦਾਤਰ test rigs ਸਿਰਫ਼ stateless API endpoints ਨੂੰ ਹੀ ਦਰਸਾਉਂਦੇ ਹਨ—ਸਧਾਰਨ request-and-response calls ਜੋ ਉਸ ਗੁੰਝਲਦਾਰ state, permissions ਅਤੇ event-driven logic ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦਿੰਦੇ ਹਨ ਜੋ Salesforce, Workday ਜਾਂ HubSpot ਵਰਗੇ ਟੂਲਸ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ। ਇੱਕ ਅਜਿਹਾ agent ਜਿਸ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਹੋਵੇ ਕਿ ਇੱਕ ਸਿਸਟਮ ਵਿੱਚ ਨਵਾਂ lead ਦੂਜੇ ਵਿੱਚ ਮੌਜੂਦ contact ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਜਾਂ ਜਿਸ ਨੂੰ ਕਈ platforms 'ਤੇ approvals ਦੀ ਇੱਕ ਲੜੀ ਸ਼ੁਰੂ ਕਰਨੀ ਹੋਵੇ, ਉਸ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਜੇਕਰ ਉਸ ਦੀ ਸਿਖਲਾਈ ਸਿਰਫ਼ ਅਜਿਹੇ ਬਹੁਤ ਹੀ ਮਾਮੂਲੀ abstractions 'ਤੇ ਹੋਈ ਹੋਵੇ।

Developers ਇੱਕ ਦੁਬਿਧਾ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ: ਇੱਕ ਅਜਿਹਾ agent ਲਾਂਚ ਕਰਨਾ ਜੋ sandbox ਵਿੱਚ ਤਾਂ ਵਧੀਆ ਲੱਗਦਾ ਹੈ ਪਰ live data 'ਤੇ ਫੇਲ ਹੋ ਜਾਂਦਾ ਹੈ, ਜਾਂ ਇੱਕ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ testing regime ਬਣਨ ਤੱਕ ਤੈਅਤਾਰੀ ਨੂੰ ਰੋਕਣਾ—ਇੱਕ ਅਜਿਹਾ regime ਜੋ ਹੁਣ ਤੱਕ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਗੈਰ-ਹਾਜ਼ਰ ਰਿਹਾ ਹੈ।

Software ਲਈ crash-test dummy ਵਜੋਂ digital twins

Arga ਦਾ ਜਵਾਬ ਪੂਰੇ SaaS applications ਦੀ ਕਲੋਨਿੰਗ ਕਰਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ permission hierarchies, webhook callbacks ਅਤੇ data models ਸ਼ਾਮਲ ਹਨ। ਇਸ ਦਾ ਨਤੀਜਾ ਇੱਕ "digital twin" ਹੁੰਦਾ ਹੈ—ਇੱਕ ਅਜਿਹਾ virtual replica ਜੋ production system ਵਾਂਗ ਕੰਮ ਕਰਦਾ ਹੈ ਪਰ ਇੱਕ ਬਟਨ ਦੇ ਕਲਿੱਕ ਨਾਲ ਇਸ ਨੂੰ ਖਤਮ ਕੀਤਾ, ਪਿੱਛੇ ਲਿਜਾਇਆ ਜਾਂ ਮੁੜ-ਕੌਂਫਿਗਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜਿਵੇਂ ਆਟੋਮੋਟਿਵ ਇੰਜੀਨੀਅਰ ਇੱਕ ਅਸਲ ਵਾਹਨ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰੇਗਾ ਇਹ ਸਿੱਖਣ ਲਈ ਇੱਕ dummy car ਨੂੰ ਟੱਕਰ ਮਾਰਦੇ ਹਨ, ਉਸੇ ਤਰ੍ਹਾਂ developers ਇੱਕ AI agent ਨੂੰ ਇੱਕ simulated Salesforce instance ਦੇ ਸਾਹਮਣੇ ਰੱਖ ਸਕਦੇ ਹਨ, ਉਸ ਨੂੰ lead reconciliation ਕਰਦੇ ਹੋਏ ਦੇਖ ਸਕਦੇ ਹਨ, ਵਾਤਾਵਰਣ ਨੂੰ ਰੀਸੈੱਟ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਇਸ ਸਥਿਤੀ ਨੂੰ ਹਜ਼ਾਰਾਂ ਵਾਰ ਚਲਾ ਸਕਦੇ ਹਨ।

ਕਿਉਂਕਿ twin ਇੱਕ controlled container ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ, Arga ਇੱਕੋ ਸਮੇਂ ਕਈ instances ਚਲਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਹਰੇਕ reinforcement-learning (RL) iteration ਨੂੰ ਇੱਕ ਨਵੀਂ ਸ਼ੁਰੂਆਤ ਮਿਲਦੀ ਹੈ। RL—ਜਿੱਥੇ ਇੱਕ agent ਗਲਤੀਆਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਇਨਾਮ ਜਾਂ ਸਜ਼ਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ—ਵਿਸ਼ਵਾਸਯੋਗ ਵਿਵਹਾਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦੁਹਰਾਓ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। Arga ਦਾ sandbox ਬਿਲਕੁਲ ਉਹੀ ਦੁਹਰਾਓ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ code-generation models ਨੂੰ compilers, debuggers ਅਤੇ CI pipelines ਰਾਹੀਂ ਮਿਲਦਾ ਰਿਹਾ ਹੈ ਪਰ business-process agents ਵਿੱਚ ਇਸ ਦੀ ਕਮੀ ਰਹੀ ਹੈ।

Enterprise AI stack ਵਿੱਚ ਗੁੰਮ ਹੋ ਰਹੀ ਪਰਤ

Software-engineering ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਪਰਿਪੱਕ sandbox ecosystem ਮੌਜੂਦ ਹੈ: developers test environments ਵਿੱਚ code ਪੁਸ਼ ਕਰਦੇ ਹਨ, ਬਦਲਾਅ ਵਾਪਸ ਲੈਂਦੇ ਹਨ, ਅਤੇ profilers ਨਾਲ ਰਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। ਉਹਨਾਂ ਟੂਲਸ ਨੇ code-assistant models ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਹੋ ਰਹੀ ਤਰੱਕੀ ਨੂੰ ਸ਼ਕਤੀ ਦਿੱਤੀ ਹੈ। Arga business applications ਲਈ ਇਸੇ ਤਰ੍ਹਾਂ ਦੀ ਇੱਕ ਪਰਤ ਬਣਾ ਰਿਹਾ ਹੈ, ਇੱਕ ਅਜਿਹਾ ਅਧਾਰ ਜੋ ਪ੍ਰਯੋਗਿਕ agents ਨੂੰ production-grade workers ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।

General Catalyst ਦੇ Yuri Sagalov ਨੇ ਮਾਰਕੀਟ ਦੇ ਤਰਕ ਨੂੰ ਸਮਝਾਉਂਦੇ ਹੋਏ ਕਿਹਾ ਕਿ ਇੱਕ agent ਦਾ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਇਸ ਦੀ ਅਸਲ business apps ਨੂੰ ਚਲਾਉਣ ਦੀ ਸਮਰੱਥਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਇੱਕ AI ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ ਇੱਕ customer record ਨੂੰ CRM ਤੋਂ email campaign ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਲੈ ਜਾ ਸਕਦਾ, ਤਾਂ ਇਸਦੀ ਕੀਮਤ ਬਹੁਤ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਦੁਹਰਾਉਣਯੋਗ, high-fidelity training ground ਪ੍ਰਦਾਨ ਕਰਕੇ, Arga ਦਾ ਉਦੇਸ਼ "agent-ready" ਸਤਹ (threshold) ਨੂੰ ਘਟਾਉਣਾ ਹੈ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੋਵੇਗਾ, ਅਤੇ ਕਿਸ ਨੂੰ ਨਵੀਆਂ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ

ਉਹ Enterprises ਜੋ AI agents ਨੂੰ ਅਪਣਾਉਣਗੇ, ਉਹਨਾਂ ਨੂੰ ਰੁਟੀਨ ਕੰਮਾਂ ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਆਟੋਮੇਸ਼ਨ, ਮੈਨੂਅਲ ਡਾਟਾ ਐਂਟਰੀ ਵਿੱਚ ਕਮੀ, ਅਤੇ ਵਾਧੂ ਸਟਾਫ ਦੀ ਭਰਤੀ ਕੀਤੇ ਬਿਨਾਂ ਗਿਆਨ-ਅਧਾਰਤ ਕੰਮਾਂ (knowledge work) ਨੂੰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦੇਖਣ ਨੂੰ ਮਿਲੇਗੀ। Developers ਲਈ, sandbox ਜੋਖਮ ਦੇ ਇੱਕ ਵੱਡੇ ਸਰੋਤ ਨੂੰ ਖਤਮ ਕਰ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉਹ ਕਿਸੇ ਵੀ production rollout ਤੋਂ ਪਹਿਲਾਂ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਸਾਬਤ ਕਰ ਸਕਦੇ ਹਨ।

ਨਿਵੇਸ਼ਕ ਇੱਕ ਅਜਿਹੀ ਮਾਰਕੀਟ ਦੇਖ ਰਹੇ ਹਨ ਜਿਸ ਵਿੱਚ ਵਰਤਮਾਨ ਵਿੱਚ ਬੁਨਿਆਦੀ ਢਾਂਚੇ (infrastructure) ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਗੁੰਮ ਹੈ। $10 ਮਿਲੀਅਨ ਦਾ ਇਹ ਰਾਊਂਡ ਇਸ ਭਰੋਸੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਭਰੋਸੇਯੋਗ agents ਦੀ ਮੰਗ ਉਹਨਾਂ ਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਟੂਲਸ ਦੀ ਸਪਲਾਈ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧੇਗੀ।

ਇਹ ਪਹੁੰਚ ਚੁਣੌਤੀਆਂ ਤੋਂ ਰਹਿਤ ਨਹੀਂ ਹੈ। ਲਗਾਤਾਰ ਵਿਕਸਤ ਹੋ ਰਹੇ SaaS platforms ਦੀਆਂ ਸਹੀ ਪ੍ਰਤਿਲੀਆਂ ਬਣਾਉਣਾ ਇੱਕ ਮੁਸ਼ਕਲ ਕੰਮ ਹੈ; ਹਰ ਵੱਡੇ API update ਲਈ twin ਵਿੱਚ ਅਨੁਕੂਲ ਬਦਲਾਅ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਕੰਪਨੀਆਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਲਈ ਕਿਸੇ ਤੀਜੀ-ਪਾਰਟੀ simulation 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਵੀ ਝਿਜਕ ਸਕਦੀਆਂ ਹਨ, ਭਾਵੇਂ ਕਿ ਵਾਤਾਵਰਣ ਅਲੱਗ ਹੀ ਕਿਉਂ ਨਾ ਹੋਵੇ। ਅੰਤ ਵਿੱਚ, ਵੱਡੇ ਪੱਧਰ 'ਤੇ RL experiments ਚਲਾਉਣਾ, sandbox ਵਿੱਚ ਵੀ, ਮਹਿੰਗਾ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਉਮੀਦ ਕੀਤੇ ਉਤਪਾਦਕਤਾ ਲਾਭਾਂ ਦੇ ਮੁਕਾਬਲੇ ਇਸ ਖਰਚੇ ਨੂੰ ਜਾਇਜ਼ ਸਾਬਤ ਕਰਨਾ ਪਵੇਗਾ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਉਤਪਾਦ ਦੀ ਸ਼ੁਰੂਆਤ (Product rollout): ਸ਼ੁਰੂਆਤੀ ਅਪਣਾਉਣ ਵਾਲੇ ਇਹ ਦੱਸਣਗੇ ਕਿ ਟਵਿਨਜ਼ (twins) ਕਿੰਨੀ ਨੇੜਿਓਂ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿਵਹਾਰ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ ਅਤੇ ਡਿਵੈਲਪਰ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਮਹੱਤਵਪੂਰਨ RL ਕਨਵਰਜੈਂਸ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।
  • ਪਲੇਟਫਾਰਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: ਮੁੱਖ SaaS ਵੈਂਡਰਾਂ ਨਾਲ ਭਾਈਵਾਲੀ ਕਲੋਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾ ਸਕਦੀ ਹੈ, ਫਿਡੈਲਿਟੀ (fidelity) ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ, ਅਤੇ ਦੋਵਾਂ ਪੱਖਾਂ ਲਈ ਮਾਲੀਆ ਦੇ ਨਵੇਂ ਸਰੋਤ ਖੋਲ੍ਹ ਸਕਦੀ ਹੈ।
  • ਅਗਲੀ ਫੰਡਿੰਗ: ਜੇਕਰ ਸ਼ੁਰੂਆਤੀ ਗਾਹਕ ਮਹੱਤਵਪੂਰਨ ROI ਦਿਖਾਉਂਦੇ ਹਨ, ਤਾਂ ਇੱਕ ਵੱਡਾ ਫੰਡਿੰਗ ਰਾਊਂਡ ਭਰਤੀ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ, ਸਮਰਥਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਕੈਟਾਲਾਗ ਦਾ ਵਿਸਤਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਟਵਿਨਜ਼ ਨੂੰ ਅੱਪਸਟ੍ਰੀਮ ਤਬਦੀਲੀਆਂ ਦੇ ਨਾਲ ਸਿੰਕ ਰੱਖਣ ਲਈ ਲੋੜੀਂਦੀ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਫੰਡ ਮੁਹੱਈਆ ਕਰਵਾ ਸਕਦਾ ਹੈ।
  • ਰੈਗੂਲੇਟਰੀ ਅਤੇ ਸੁਰੱਖਿਆ ਜਾਂਚ: ਜਿਵੇਂ-ਜਿਵੇਂ AI ਏਜੰਟ ਵਧੇਰੇ ਸੰਵੇਦਨਸ਼ੀਲ ਵਰਕਫਲੋ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ, ਕੰਪਲਾਇੰਸ ਫਰੇਮਵਰਕ ਟ੍ਰੇਨਿੰਗ ਲਈ ਸਿਮੂਲੇਟਡ ਵਾਤਾਵਰਣਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸੰਬੰਧਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਸੰਭਵ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ ਨੂੰ ਰੂਪ ਦੇ ਸਕਦਾ ਹੈ ਕਿ Arga ਆਪਣੇ ਸੈਂਡਬਾਕਸ (sandboxes) ਨੂੰ ਕਿਵੇਂ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ।

ਨਿਚੋੜ

Arga ਉਸ ਖਾਲੀਪਨ ਨੂੰ ਭਰ ਰਿਹਾ ਹੈ ਜਿਸ ਕਾਰਨ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਏਜੰਟ 'ਪਰੂਫ-ਆਫ-ਕੰਸੈਪਟ' (proof-of-concept) ਤੋਂ ਅੱਗੇ ਨਹੀਂ ਵਧ ਪਾ ਰਹੇ ਸਨ। ਬਿਜ਼ਨਸ ਸਾਫਟਵੇਅਰ ਦੀ ਇੱਕ ਰੀਸੈਟ ਕਰਨਯੋਗ, ਹਾਈ-ਫਿਡੈਲਿਟੀ ਰੈਪਲੀਕਾ ਪੇਸ਼ ਕਰਕੇ, ਇਹ ਸਟਾਰਟਅੱਪ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਹ ਡੇਟਾ-ਅਮੀਰ ਪਲੇਅਗ੍ਰਾਊਂਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (reinforcement learning) ਨੂੰ ਭਰੋਸੇਯੋਗ, ਪ੍ਰੋਡਕਸ਼ਨ-ਰੈਡੀ ਏਜੰਟ ਬਣਾਉਣ ਲਈ ਲੋੜ ਹੁੰਦੀ ਹੈ। $10 ਮਿਲੀਅਨ ਦੀ ਸੀਡ ਇਨਫਿਊਜ਼ਨ ਮਾਰਕੀਟ ਦੀ ਲੋੜ ਅਤੇ ਉਸ ਜੋਖਮ ਦੋਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਜੋ ਨਿਵੇਸ਼ਕ ਇੱਕ ਅਜਿਹੇ ਹੱਲ 'ਤੇ ਲੈਣ ਲਈ ਤਿਆਰ ਹਨ ਜੋ ਆਟੋਨੋਮਸ ਏਜੰਟਾਂ ਨੂੰ ਇੱਕ ਨਵੀਨਤਾ ਤੋਂ ਬਦਲ ਕੇ ਆਧੁਨਿਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਦੇ ਇੱਕ ਮੁੱਖ ਕੰਮਕਾਜੀ ਸਾਧਨ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।