Temas en tendencia
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.

Matt Turck
Cómo crear un producto de IA querido, con @meetgranola CEO @cjpedregal
Granola es la rara startup de IA que se deslizó en un nicho muy concurrido, notas de reuniones, y aún así logró convertirse en el producto del que los fundadores (¡y VC!) se entusiasman. Muchas lecciones de productos en este episodio.
00:00 - Introducción: La historia de la granola
01:41 - Construyendo un producto que "cambia la vida"
04:31 - La visión del "segundo cerebro"
06:28 - Filosofía de aumento (Engelbart), herramientas que nos dan forma
09:02 - Tarde a un mercado abarrotado: por qué funcionó
13:43 - Dos fundadores de productos, doctores de Zero ML
16:01 - Londres vs. SF: Construyendo fuera del valle
19:51 - Un año en sigilo: Aprendiendo antes del lanzamiento
22:40 - "Construyendo para nosotros" y encontrando a los primeros usuarios
25:41 - Opciones de diseño clave: sin bot de reunión, sin audio almacenado
29:24 - La simplicidad es difícil: recortar el 50% de las características
32:54 - Intuición vs. datos en la toma de decisiones sobre productos
36:25 - Conversaciones continuas con los usuarios: 4-6 llamadas/semana
38:06 - Priorizar el futuro: crear para los flujos de trabajo del mañana
40:17 - Recorrido por la pila tecnológica: enrutamiento y evaluaciones del modelo
42:29 - Ventanas de contexto, costos y economía de inferencia
45:03 - Pila de audio: Límites de transcripción, cancelación de ruido y diarización
48:27 - Barandillas y citas: Construyendo confianza en la IA
50:00 - Bucles de crecimiento sin trucos de viralidad
54:54 - Cumplimiento empresarial, huella de datos y riesgo de responsabilidad
57:07 - Retención y formación de hábitos: la "ventana de 500 milisegundos"
58:43 - Compitiendo con OpenAI y Legacy Suites
1:01:27 - El futuro: investigación profunda en reuniones y hoja de ruta
1:04:41 - ¿Granola como entrenadora profesional?
11.68K
Matt Turck reposteó
1/ @serenawilliams es nuestro nuevo embajador en @Ro. Ella está compartiendo su historia de pérdida de peso para inspirar a otros. Tiene más fuerza de voluntad que la mayoría de las personas en el planeta y es el ejemplo perfecto de que el peso no es solo una cuestión de "dieta y ejercicio".

139.47K
Emocionado (y humilde, jajaja) de estar involucrado aquí.
He estado pensando en los bucles de retroalimentación en la IA desde siempre y esos tipos son el verdadero negocio, @gabrielbianconi y @thebigmehtaphor

TensorZero19 ago, 04:14
¡Anunciamos nuestra ronda inicial de 7,3 millones de dólares!
TensorZero habilita un volante de datos y aprendizaje para optimizar las aplicaciones LLM: un ciclo de retroalimentación que convierte las métricas de producción y la retroalimentación humana en modelos y agentes más inteligentes, rápidos y económicos.
Hoy en día, proporcionamos una pila de código abierto para crear aplicaciones LLM de grado industrial que unifica una puerta de enlace LLM, observabilidad, optimización, evaluación y experimentación. Puede tomar lo que necesita, adoptar gradualmente y complementar con otras herramientas. Con el tiempo, estos componentes le permiten configurar un ciclo de retroalimentación basado en principios para su aplicación LLM. Los datos que recopila están vinculados a sus KPI, se transfieren a los proveedores de modelos y se convierten en una ventaja competitiva para su negocio.
Nuestra visión es automatizar gran parte de la ingeniería de LLM. Estamos sentando las bases para eso con TensorZero de código abierto. Por ejemplo, con nuestro modelo de datos y flujo de trabajo de extremo a extremo, podremos sugerir de manera proactiva nuevas variantes (por ejemplo, un nuevo modelo ajustado), probarlo en datos históricos (por ejemplo, utilizando diversas técnicas de aprendizaje por refuerzo), habilitar una prueba A / B gradual y en vivo y repetir el proceso. Con una herramienta como esta, los ingenieros pueden concentrarse en flujos de trabajo de alto nivel, decidir qué datos entran y salen de estos modelos, cómo medir el éxito, qué comportamientos incentivar y desincentivar, etc., y dejar los detalles de implementación de bajo nivel a un sistema automatizado. Este es el futuro que vemos para la ingeniería LLM como disciplina.
Recientemente, TensorZero alcanzó el #1 repositorio de tendencias de la semana a nivel mundial en GitHub (y estamos a punto de cruzar las 10k estrellas). Tenemos la suerte de haber recibido contribuciones de docenas de desarrolladores en todo el mundo, y es emocionante ver que TensorZero ya impulsa productos LLM de vanguardia en nuevas empresas de IA de vanguardia y grandes organizaciones, incluido uno de los bancos más grandes de Europa.
Nos complace compartir que hemos recaudado $ 7.3 millones para acelerar los esfuerzos de TensorZero para crear la mejor infraestructura de código abierto de su clase para ingenieros de LLM (¡estamos contratando!). La ronda fue liderada por @FirstMarkCap, con la participación de @BessemerVP, @bedrock, @DRWTrading, @coalitionvc y docenas de ángeles estratégicos.

5.27K
Matt Turck reposteó
Gabriel y yo comenzamos esta programación comercial en una pequeña oficina durante un año seguido. Comenzamos con la idea de que los sistemas de IA deben poder aprender de la experiencia del mundo real para resolver problemas del mundo real. Con el tiempo, quedó claro que se trataba mucho más de un problema de sistemas y datos que de un problema de aprendizaje automático.
La solución debía ser un software de grado industrial que estuviera disponible gratuitamente y fuera fácil de adoptar para los desarrolladores individuales, pero que pudiera escalar para adaptarse a las necesidades de las grandes organizaciones. Así que abrimos el proyecto y les dijimos a nuestros primeros usuarios que dejaran de pagarnos. Se sintió una locura.
En estos días, estamos doblando una esquina. Tenemos un equipo técnico pequeño pero increíble: Aaron (mantenedor del compilador de Rust, Svix, AWS), @anndvision (postdoctorado de Columbia, doctorado de Oxford) y Alan (doctorado de CMU, vicepresidente de JPM AI Research) a los que pronto se unirán Shuyang (personal de SWE en LLM infra en Google, Palantir) y Cole (cognición, windsurf, Stanford). Nuestra comunidad está activa y creciendo (¡pronto a 10k estrellas!). Existe un camino claro hacia la creación del agente que optimiza cada implementación de TensorZero en función de los comentarios del mundo real que recopila.
Si me hubieras dicho cuando comencé mi doctorado que un día muchas empresas comenzarían voluntariamente a almacenar trayectorias de RL en un modelo de datos que ayudé a construir para que pudiéramos optimizar sus políticas contra las recompensas que les importan, me habría asombrado.
Pronto, esto no se hará a mano.
25.92K
Populares
Ranking
Favoritas
Onchain en tendencia
Tendencia en X
Principales fondos recientes
Más destacadas