探索 Maxim：您的全面評估平台，應對 AI 質量挑戰

企業對於生成性人工智慧持樂觀態度，投入數十億美元開發各種應用程序，從聊天機器人到搜尋工具，涉及多個使用案例。儘管幾乎每一家大型企業都在進行生成性人工智慧的計畫，但在承諾人工智慧和成功部署的過程中，存在著重要的區別。

今天，由前谷歌和 Postman 高管 Vaibhavi Gangwar 和 Akshay Deo 創立的加州新創公司 Maxim，推出了一個端到端的評估與觀察平台，旨在填補這一空白。該公司同時宣布獲得來自 Elevation Capital 及其他天使投資者的 300 萬美元資金。

Maxim 解決了開發人員在構建大型語言模型 (LLM) 驅動的人工智慧應用程序時面臨的一個重大挑戰：在開發生命週期中監控各個組件。即使是微小的錯誤也可能損害項目的可靠性和信任度，進而導致交付延遲。Maxim 的平台專注於在釋出前和生產後測試與提升人工智慧的質量與安全，建立一個標準，幫助組織簡化其人工智慧應用程序的生命週期，快速交付高質量產品。

開發生成性人工智慧應用的挑戰

歷史上，軟體開發遵循確定性的方式，有標準化的測試與迭代實踐，使團隊能清晰地提升質量和安全。然而，生成性人工智慧的引入帶來了許多變數，形成了非確定性範式。開發人員需管理多個要素，從所使用的模型到數據及使用者的問題框架，同時保證質量、安全與性能。

組織一般透過兩種主要方式應對這些評估挑戰：聘請人才監控每一變數或開發內部工具，這兩者都可能導致成本增加並使注意力分散於核心業務功能。

意識到這一需求，Gangwar 和 Deo 創立了 Maxim，以協調生成性人工智慧堆疊中的模型和應用層之間的差距。該平台提供涵蓋人工智慧開發生命週期的全面評估，從提示工程和釋出前測試到釋出後監控與優化。

Gangwar 描述 Maxim 的平台由四個核心組件組成：實驗套件、評估工具包、可觀察性和數據引擎。

實驗套件包括提示內容管理系統（CMS）、集成開發環境（IDE）、可視化工作流構建器和與外部數據源的連接器，使團隊能有效地在提示、模型和參數上進行迭代。例如，團隊可以在多個模型上實驗不同的提示，以用於客服聊天機器人。

評估工具包提供了一個統一框架，適用於人工智慧驅動和人工評估，使團隊能透過全面測試更量化地評估改進或退步。結果在儀表板上可視化，涵蓋音調、準確性、毒性和相關性等指標。

可觀察性在釋出後階段至關重要，能夠實時監控生產日誌和自動評估，以識別並解決實時問題，保證質量標準得以實現。

根據 Gangwar 的說法：“用戶可以為生產日誌中的各種質量、安全和安全信號建立自動控制。他們還可以設置與性能、成本和質量等最重要指標相關的實時警報。”

利用可觀察性套件中的見解，用戶能迅速解決問題。如果數據質量成為關注焦點，數據引擎允許無縫策劃和豐富數據集以進行微調。

加速應用部屬

儘管仍在早期階段，Maxim 宣稱已協助“幾十家”早期合作夥伴以比以往快五倍的速度測試、迭代和部署他們的人工智慧產品，目標涵蓋 B2B 技術、生成性人工智慧服務、銀行金融和教育科技等行業，這些行業在評估挑戰上特別突出。隨著公司的擴展，將致力於提升平台能力，聚焦中型市場和企業客戶。

Maxim 的平台還包括企業導向的功能，例如基於角色的存取控制、合規性、團隊協作和虛擬私有雲的部署選項。

雖然 Maxim 的標準化測試與評估方法值得注意，但它面臨著來自像 Dynatrace 和 Datadog 等資金雄厚競爭對手的挑戰，這些對手持續不斷地擴展其產品。

Gangwar 指出，許多競爭者要麼專注於性能監控、質量或可觀察性，而 Maxim 的目標是將所有評估需求整合在一個單一的綜合平台中。

“開發生命週期需要全面管理與測試相關的需求，我們相信這會促進可持續應用的生產力和質量提升，”她強調。

展望未來，Maxim 計劃擴大其團隊和運營能力，同時與專注於人工智慧產品開發的企業建立更多合作夥伴關係。未來的增強功能可能包括專有的領域特定質量與安全評估，以及開發多模態數據引擎。