Cómo entró Typewise en YC después de pasar a la productividad B2B

Cómo entró Typewise en YC después de pasar a la productividad B2B

startup suiza tipográfico está mostrando el poder de apegarse a ello: el equipo detrás de la tecnología de predicción de texto patentada, cuya fascinación por la productividad de escritura comenzó como un ajetreo paralelo centrado en el teclado del consumidor hace más de cinco años, obtuvo el respaldo de Y Combinator y estará en la cohorte presentación a los inversores durante el día de demostración del acelerador de verano de 2022 a principios del próximo mes.

Typewise ganó un lugar en YC (y su respaldo estándar de $ 500k) después de girar para enfocarse completamente en el mercado B2B, con el objetivo de satisfacer la demanda de ganancias de productividad de mecanografía en áreas como servicio al cliente y ventas, según el cofundador David Eberle.

“El año pasado nos dimos cuenta de dónde tiene más sentido esto”, le dice a TechCrunch. “Los consumidores escriben algunas frases aquí y allá en WhatsApp y realmente no les importa demasiado ser un 20 % o un 30 % más rápidos o hacer uno o dos errores tipográficos menos. Pero las empresas, especialmente donde se escribe mucho, como en el servicio al cliente y las ventas, ahí es donde incluso los porcentajes de un solo dígito importan mucho y los de dos dígitos aún más”.

“Debido a que se trata de una comunicación orientada al cliente, la calidad también importa mucho, porque también puede afectar la reputación de una marca”, agrega. “Entonces eso, al final, nos llevó a YC”.

En 2020, Typewise recaudó lo que facturaba en ese momento como una semilla, de $ 1 millón, pero Eberle confirma que ahora lo clasifica como una semilla previa y buscará generar una semilla nueva cuando se presente a los inversores en septiembre.

A pesar de cambiar el enfoque completo a B2B, la aplicación para el consumidor de Typewise, que obtuvo más de 2 millones de descargas, no fue un esfuerzo en vano para el equipo. Les ayudó a “afinar” sus modelos de IA, según Eberle, lo que a su vez los llevó a poder presentar una segunda patente, a principios de este año, para la tecnología que puede predecir oraciones completas, no solo las siguientes palabras.

La predicción de oraciones es ahora un punto de venta central, que sustenta las ganancias de eficiencia que, en el caso de uno de los primeros clientes de Typewise, una empresa de entrega/logística de paquetes, con la que ha estado trabajando durante más tiempo, alcanzó el 35 % (en promedio) unas pocas semanas después de la negocio comenzó a utilizar la tecnología.

Otros clientes tempranos abarcan una variedad de industrias, incluido el comercio electrónico, el comercio minorista y los seguros.

Typewise proporciona a los clientes su tecnología como una extensión del navegador, que según Eberle funciona con una API del lado del servidor donde reside la IA, pero todo el paquete está diseñado para ejecutarse sobre los sistemas de CRM del cliente, como Salesforce o Zendesk, integrando el texto de Typewise. predicciones en el sistema del cliente relevante, como correo electrónico o chat en vivo (es decir, lugares donde los agentes comerciales están hablando, por mensaje de texto, con sus propios clientes).

En promedio, los diez o más primeros usuarios de su MVP, que se lanzó esta primavera, obtienen entre un 10 % y un 20 % de ganancias promedio al integrar la tecnología de predicción de texto en su flujo de trabajo, según Eberle. Pero dice que confía en que la cifra más alta (35 %) será el punto de referencia, no el valor atípico, ya que Typewise modifica los parámetros de sus modelos o los ajusta en función de los datos y las necesidades del cliente (y a medida que el personal del cliente se acostumbra a usar la IA). -herramienta de predicción de texto).

Cuando se le preguntó acerca de la diferencia frente a otras tecnologías de predicción de texto, Eberle señala que Typewise proporciona un modelo de idioma base (cubre 40 idiomas; aunque los primeros clientes se centran en inglés y alemán), pero también vuelve a entrenar y refina su modelo en datos de clientes reales. Esto significa que puede ofrecer predicciones personalizadas que, según él, son alrededor de 2,5 veces más precisas que una IA genérica de predicción de la siguiente palabra, como la que puede encontrar integrada en su sistema operativo móvil o cliente de correo electrónico, que no está capacitado en datos específicos del cliente.

“Por ejemplo, miraríamos todos los tickets de servicio al cliente del último año o dos y los tomaríamos y hay un proceso de filtrado complicado (porque tal vez tenga que eliminar el lenguaje de mala calidad que no desea incorporar en su conjuntos de entrenamiento)”, dice. “Y luego, después de eso, la IA se refina a sí misma en los datos del cliente y… si compara nuestra predicción con una predicción similar a Gmail, donde las oraciones son muy estándar, obtenemos contenido real”.

Typewise también puede segmentar sus modelos de IA según el contexto lingüístico, ya que, por ejemplo, el idioma de las comunicaciones por correo electrónico de una empresa con sus clientes puede ser bastante diferente al chat de texto en vivo (que probablemente sea más fluido e informal, etc.). Por lo tanto, está realizando una gran cantidad de estructuración en segundo plano de las entradas de datos y conjuntos de datos del cliente para poder generar predicciones de texto más apropiadas al contexto (y, por lo tanto, productivas), lo que incluye el uso de tecnología de aprendizaje automático para ayudar a automatizar la estructuración de datos necesaria.

“Es contenido real porque reducimos el alcance a un caso de uso muy específico”, reitera Eberle, sugiriendo que este enfoque le da una ventaja particular frente a las nuevas empresas que dependen de un modelo de lenguaje generativo, como GPT-2 o GPT-3. para potenciar la predicción de texto para su propio juego b2b.

También destaca que el producto ha sido diseñado para que el proceso de capacitación de IA se lleve a cabo dentro de los sistemas del cliente, en lugar de requerir que carguen una gran cantidad de datos del cliente. (Nota: el análisis del rendimiento del modelo aún puede implicar el envío de datos a Typewise, pero Eberle dice que ofrece algunos niveles, por lo que es posible que este proceso no tenga que implicar la carga del contenido real del cliente si el cliente no lo prefiere).

“Obviamente ahora hay todas las nuevas empresas trabajando en asistencia lingüística, herramientas de paráfrasis, tratando de optimizar el idioma, dándote sugerencias. [etc], y muchos de ellos usan GPT-3 como su tecnología. No tienen tecnología propia… y lo malo es, por ejemplo, un [large telco] o la compañía de seguros no va a entregar todas las comunicaciones de sus clientes para que usted entrene a la IA. Entonces, la forma en que lo hacemos es que casi podemos implementar una instancia de la IA en la infraestructura de TI del cliente y de esa manera todos los datos del cliente permanecen con la empresa, pero nuestra IA se convierte, en cierto modo, en parte de su estructura de datos”, dice, agregando: “Y así es como eludimos cualquier seguridad de TI, problemas de privacidad de datos que de otro modo probablemente harían esto prácticamente imposible”.

La latencia es un desafío clave para Typewise, dado que sus predicciones de texto deben poder actualizarse en tiempo real durante los chats de texto en vivo para que sean útiles (en lugar de frustrantes) para los agentes humanos a los que la tecnología está dotando de poderes de velocidad de escritura sobrehumanos. Eberle dice que se ha centrado en optimizar la latencia y eso también le da una ventaja frente a las herramientas de generación de texto que no han priorizado realmente la reducción del tiempo de procesamiento.

“En este momento, nuestro caso de uso es que estamos interactuando con un ser humano y eso es muy diferente tecnológicamente de la generación de texto”, señala. “Debido a que el nuestro debe tener una latencia extremadamente baja, no podemos esperar 300 o 500 milisegundos, lo que también parece muy bajo. Pero después de cada pulsación de tecla necesitamos actualizar inmediatamente la predicción. De lo contrario, se vuelve inutilizable para un ser humano. Entonces, la latencia debe ser de alrededor de 50 milisegundos o incluso menos.

“Entonces, en el fondo, esa es una de las grandes limitaciones y uno de los desafíos en la construcción de esto”.

De ser capaz de predecir oraciones completas mientras un ser humano escribe, ¿podría Typewise contemplar un mayor desarrollo de su tecnología para poder automatizar por completo las comunicaciones orientadas al cliente para sus clientes, al menos en segmentos específicos, por ejemplo, como correos electrónicos de servicio al cliente para una empresa de entrega de paquetes? o chat en vivo para ventas de seguros?

Eberle responde a esta pregunta diciendo que una de las próximas características en su hoja de ruta es “algo hacia la respuesta automática”, más allá del tipo de respuestas “preestablecidas” basadas en plantillas que ya pueden activar un correo electrónico automatizado con un grado de contexto. relevancia pero donde “la respuesta que obtienes siempre se basa en una plantilla escrita previamente”.

“Lo que escuchamos de muchas empresas [is] que eso es lo que sus clientes no aprecian”, dice. “Cómo vemos el futuro es que con más madurez… para cierto tipo de ticket… eventualmente veremos que para ciertas consultas veremos una precisión del 99% o incluso mayor en la respuesta a eso y luego puede automatizar y decir que está bien, no Ya no necesitaré a un ser humano una vez que el umbral de certeza esté por encima de cierto número.

“Pero la diferencia es que la forma en que generaríamos esos correos electrónicos no se basa en un texto escrito previamente, lo construimos de abajo hacia arriba. Lo construimos palabra por palabra. Como un humano lo construiría. Así es como funciona la IA, cómo la construimos”.

“En este momento, con este cliente que mencioné, llegamos a un 35 % de automatización, por lo que, en promedio, el 35 % de los correos electrónicos fueron escritos automáticamente por Typewise y, con suerte, ese porcentaje aumentará. En eso estamos trabajando”, continúa. “Entonces, en este momento, aún no podría completar un correo electrónico completo con cinco mensajes de contenido diferentes por sí solo sin una intervención humana, pero obviamente, con el tiempo, a medida que ese 35 % aumente, ese será el caso, y creo que ese también es el objetivo. en el final.”

En el frente de la competencia, los gigantes tecnológicos como Microsoft y Google, por supuesto, están haciendo cosas tecnológicamente similares en torno a la predicción de texto, pero, por lo general, para sus propios productos. Aunque eso podría cambiar. “Así que eso es lo que estamos observando de cerca”, señala Eberle.

También predice (¡ja!) Grammerly podría expandirse para ofrecer predicción de texto. “No tienen predicción de texto en este momento, pero estoy bastante seguro de que, como la herramienta de lenguaje más valiosa, probablemente también se trasladarán a esa área”, sugiere. “Y veo nuestra diferenciación, realmente, como la personalización y la capacidad de hacer esto con todas las preocupaciones de privacidad de datos que lo rodean”.

Otro producto rival que menciona es Wordtune (fabricado por AI21 Labs), con buenos recursos, junto con una startup holandesa, escritorio profundo.

Pero también apunta a las funciones de “valor agregado” en la tubería de Typewise para expandir su diferenciación, como asignar puntajes de satisfacción del cliente a opciones/estilos de idioma para tratar de identificar los mejores enfoques lingüísticos que conducen a clientes satisfechos.


Source link