Ожидается, что в ближайшем будущем ИИ-агенты возьмут на себя роль автономных исполнителей, совершающих покупки и планирующих расписание пользователей. Майкл Фанус, выпускник факультета компьютерных наук Калифорнийского университета в Беркли и бывший инженер по машинному обучению в CareRev, указывает на то, что текущим архитектурам агентов не хватает фундаментального компонента — глубокого контекстного понимания личности пользователя. На практике это звучит просто: системам крайне сложно связать воедино профиль в LinkedIn, активность в социальных сетях и публичные государственные реестры, чтобы корректно идентифицировать, что все эти данные принадлежат одному человеку.
Технологический стек Nyne и работа с ID
Для решения этой задачи Майкл Фанус совместно с Эмадом Фанусом, опытным техническим директором, основал стартап Nyne. Цель проекта — создание интеллектуального «слоя» (intelligence layer), который обеспечит ИИ-агентам доступ к полному цифровому следу пользователя. Недавно компания привлекла 5,3 миллиона долларов в рамках посевного раунда. Лид-инвесторами выступили Wischoff Ventures и South Park Commons, также в раунде участвовали частные инвесторы, среди которых Гил Эльбаз — сооснователь Applied Semantics и один из разработчиков Google AdSense.
Проблема доступа к данным
На первый взгляд может показаться, что проблема идентификации пользователей уже решена в рамках классического машинного обучения. Эффективность таргетинга рекламных систем, таких как Google, подтверждает это. Однако Майкл Фанус отмечает, что ключевое преимущество техногигантов кроется в эксклюзивном доступе к истории поисковых запросов и истории кросс-платформенной активности. Эти данные остаются закрытыми для сторонних ИИ-агентов. Николь Вискофф, основатель фонда Wischoff Ventures, поясняет, что вне закрытых экосистем корректная идентификация субъекта остается сложной инженерной задачей.
Методология анализа цифрового следа
Nyne решает задачу за счет развертывания миллионов распределенных агентов, которые сканируют и анализируют публичные цифровые данные. Используя техники машинного обучения, система триангулирует сведения о человеке, опираясь не только на крупные социальные платформы вроде Facebook, Instagram или X, но и на нишевые сервисы, например, SoundCloud или Strava. Если коротко: после сопоставления этих разрозненных фрагментов данных формируется глубокий профиль интересов, хобби и паттернов мышления пользователя.
В дальнейшем разработчики потребительских ИИ-агентов смогут интегрироваться с Nyne, чтобы наделить свои модели прикладным пониманием как текущих, так и потенциальных клиентов. Это позволит агентам принимать более точные решения, располагая данными, необходимыми для выбора правильного следующего действия. По оценке инвесторов, рынок таких данных огромен, так как он предоставляет компаниям инструментарий для сверхточного взаимодействия с аудиторией. Фактически, это эволюционный переход от традиционного рекламного стека к высокоточным системам для мира автономных агентов.