瑞士初创公司Typewise展示了坚持的力量：其团队拥有专利文本预测技术，对打字生产力的兴趣始于五多年前一个以消费级键盘为中心的副业，现已获得Y Combinator的支持，并将在下月初加速器2022年夏季Demo Day期间向投资者进行路演。
Typewise在转向全面聚焦B2B市场后，获得了YC（以及其标准的50万美元投资）的席位——联合创始人David Eberle表示，此举旨在满足客服和销售等领域对提升打字生产力的需求。
他告诉TechCrunch：“去年我们意识到这一点最适用的场景。”“消费者只是在WhatsApp等平台上偶尔打几句，他们并不太在意速度提升20%或30%，或者少出现一两个拼写错误。但企业——尤其是那些大量涉及文字工作的领域，如客服和销售——即使是单数百分比的提升也意义重大，双位数百分比的提升则更为重要。”
他补充道：“由于这是面向客户的沟通，因此质量也非常重要——因为它会影响品牌声誉。”“所以，最终这促使我们进入了YC。”
早在2020年，Typewise筹集了当时称为种子轮的100万美元资金，但Eberle确认现在将其归类为更早期的Pre-seed轮，并计划在9月向投资者路演时寻求新一轮种子轮融资。
尽管将全部重心转向B2B，Typewise的消费者应用（已获得超过200万次下载）并未白费。据Eberle称，它帮助团队“微调”了其AI模型，进而使公司在今年早些时候提交了第二项专利，该技术能够预测整句而非仅下一个词。
句子预测如今成为核心卖点，支撑着效率的提升。以Typewise的一位早期客户——一家合作时间最长的包裹配送/物流公司为例，在开始使用该技术几周后，其平均效率提升了35%。
其他早期客户涵盖多个行业，包括电子商务、零售和保险。
Typewise通过浏览器扩展向客户提供其技术——Eberle表示，该扩展与托管AI的后端API协同工作——但整个套件设计用于运行在客户的CRM系统之上，如Salesforce或Zendesk，将Typewise的文字预测功能集成到相关的客户端系统中，例如电子邮件或实时聊天（即业务人员通过文字与客户沟通的地方）。
据Eberle称，自今年春季推出MVP以来，约10位早期用户在使用文本预测技术整合进工作流程后，平均效率提升了10%至20%。但他表示，随着Typewise根据客户数据和需求调整模型参数或进行优化（以及客户员工逐渐习惯使用这款AI驱动的文字预测工具），他相信较高的35%将成为基准，而非个别案例。
当被问及与其他文本预测技术的区别时，Eberle指出，Typewise不仅提供基础语言模型（支持40种语言；尽管早期客户主要关注英语和德语），还会基于真实客户数据对模型进行重新训练和优化。这意味着它能够提供定制化的预测结果，据他称，其准确率比通用型下一个词预测AI高出约2.5倍，后者通常内置于移动操作系统或电子邮件客户端中，且未针对特定客户数据进行训练。
他说：“例如，我们会查看过去一两年内的所有客户服务工单，并从中进行处理——这里涉及一个复杂的过滤流程（因为可能需要剔除那些质量不佳、不希望纳入训练集的语言内容）。”“随后，AI会在客户数据上进行自我优化……如果将我们的预测与Gmail的预测相比，后者的句子往往非常标准化，而我们则能生成更具实际意义的内容。”
Typewise还可能根据语言上下文对其AI模型进行细分——例如，企业与客户的电子邮件沟通语言可能与实时文本聊天有所不同（后者可能更加流畅和非正式等）。因此，该公司正在对客户数据输入和数据集进行大量后台结构化处理，以生成更贴合语境（因而更高效）的文本预测——其中包括利用机器学习技术来自动化必要的数据结构化处理。
Eberle重申：“之所以是实际内容，是因为我们将范围缩小到一个非常具体的用例。”他指出，这种方法使Typewise相较于依赖生成式语言模型（如GPT-2或GPT-3）为其B2B业务提供文本预测支持的初创企业，具有独特的优势。
他还强调，该产品的架构设计使得AI训练过程在客户系统内部完成，无需客户上传大量数据。（注：模型性能的评估仍可能需要将部分数据发送回Typewise，但Eberle表示，公司提供了多个层级选项，因此如果客户不愿上传实际的客户内容，这一过程可以不涉及此类数据的上传。）
“显然，现在有许多新公司正在从事语言辅助、改写工具等工作，试图优化语言表达并提供建议[等等]，其中许多公司使用 GPT-3 作为其技术基础。它们并没有自己的核心技术……而缺点在于，例如一家大型电信运营商或保险公司不会轻易将所有客户通信数据交给你用于训练 AI。因此，我们的做法是几乎可以将一个 AI 实例部署到客户的 IT 基础设施中，这样所有客户数据都保留在企业内部，而我们的 AI 则成为其数据结构的一部分，”他说，并补充道：“这就是我们规避任何可能使这一方案几乎无法实现的 IT 安全和数据隐私问题的方法。”
延迟是 Typewise 面临的一个关键挑战，因为其文本预测必须能够在实时文字聊天过程中即时更新，才能对获得超人类打字速度的客服人员有用（而不是令人沮丧）。Eberle 表示，他们专注于优化延迟，这也使其相较于那些未真正优先考虑缩短处理时间的文本生成工具具有优势。
“目前我们的用例是与真人互动，这在技术上与文本生成截然不同，”他指出。“因为我们的系统需要极低的延迟——我们不能等待 300 或 500 毫秒，这看似很低。但在每次按键后，我们必须立即更新预测。否则，对人类用户来说就不可用了。因此，延迟需要控制在 50 毫秒左右甚至更低。
“因此，在后台这是构建该系统时的主要约束之一，也是面临的挑战之一。”
既然 Typewise 已经能够像人类打字时那样预测整句话，它是否设想进一步发展其技术，以完全自动化其面向客户的沟通——至少在特定细分领域，例如包裹递送公司的客户服务邮件或保险销售的实时聊天？
针对这个问题，Eberle 回应称，其路线图上的下一个功能将是“朝着自动回复方向发展”——超越目前已能触发具有一定上下文相关性的自动化邮件的基于模板的“预设”响应，但“你得到的答案始终是基于预先编写的模板。”
“我们从许多公司那里听到的是，他们的客户并不欣赏这一点，”他说。“我们对未来的看法是，随着技术的成熟……对于某类工单……最终我们会看到，对于某些咨询……能以 99% 甚至更高的准确率进行回复，然后你就可以实现自动化，并说‘一旦确定性阈值超过某个数值，就不再需要人工介入了。”
“但区别在于，我们生成这些邮件的方式并非基于预先写好的文本——而是自底向上构建。逐词构建，就像人类构造语言一样。这就是AI的工作原理——也是我们构建它的方式。”
“目前，在我提到的那位客户那里，自动化率达到了35%——也就是说，平均有35%的邮件由Typewise自动撰写，我们希望这一比例还能继续提升。这正是我们正在努力的方向，”他接着说。“所以目前它还无法在没有人工输入的情况下独立完成包含五种不同内容信息的整封邮件，但随着这35%的比例进一步提高，这种情况将会实现——我认为这也是最终的目标。”
在竞争方面，微软和谷歌等科技巨头当然也在进行类似的技术预测——但通常是为他们自己的产品所用。尽管这种情况可能会改变。“所以我们正在密切关注这一点，”埃伯勒指出。
他还预测（哈哈！）Grammarly可能会扩展到提供文本预测功能。“他们目前还没有文本预测功能，但我相当确信，作为最有价值的语言工具，他们很可能也会进入这一领域，”他建议道。“而我认为我们的真正差异化优势在于定制化，以及能够在所有数据隐私关切的前提下实现这一点。”
他提到的另一个竞争对手是资源充足的Wordtune（由AI21 Labs开发），以及一家荷兰初创公司Deep Desk。
但他还指出，Typewise管道中的“增值”功能即将扩展其差异化优势——例如，将客户满意度评分映射到语言选择/风格上，以尝试识别能带来满意客户的最佳语言方法。
Typewise融资100万美元，打造离线下一个词预测引擎