Український стартап Knowledgator створив платформу, яка витягує структуру з неструктурованих даних: з наукових статей, фінансових звітів, логів чи навіть юридичних документів. Його вже використовують великі фармацевтичні компанії, банки та технологічні стартапи.
Український стартап Knowledgator створив платформу, яка витягує структуру з неструктурованих даних: з наукових статей, фінансових звітів, логів чи навіть юридичних документів. Його вже використовують великі фармацевтичні компанії, банки та технологічні стартапи.
Knowledgator є одним із небагатьох українських стартапів, який фокусується не просто на генерації контенту, а на структурному розумінні текстів. Його технології допомагають перетворити хаос неструктурованих даних на впорядковану й зручну для аналізу інформацію. Про те, як саме це працює, які бізнеси вже користуються платформою та в чому її унікальність, dev.ua поспілкувався з CEO Knowledgator Ігорем Степановим.
«Ми навчаємо модель не просто знаходити ключові слова, а витягувати зв’язки, суть, структуру — фактично читати текст як людина», — розповідає він.
Knowledgator, по своїй суті, це універсальна платформа для обробки інформації. Користувач вводить текст (або масив документів), а також шаблон, який описує, які саме сутності потрібно знайти. Це може бути все що завгодно: назви компаній, дати транзакцій, згадки побічних ефектів тощо. На виході користувач отримує структуровані дані у вигляді таблиці або JSON.
«Наші моделі працюють із запитом zero-shot: не треба донавчати під кожне нове завдання. Наприклад, якщо користувачу потрібно витягти специфічні білки з наукових текстів — модель з цим справиться без додаткової підготовки», — пояснює Степанов.
Сьогодні Knowledgator використовують у кількох галузях:
«Однією з наших переваг є поєднання zero-shot екстракції та можливості донавчання. Якщо клієнт хоче ще вищу точність — ми надаємо інтерфейс для швидкого fine-tuning», — додає Степанов.
За словами CEO, точність моделей залежить від кейсу: для загальних завдань навіть у базовому режимі точність висока, а в критичних (типу обробки медичних документів) вона не може бути меншою за 99%.
«Точність — це ключ. Тому ми або використовуємо zero-shot, або навчаємо спеціалізовані моделі, але завжди на якісних даних», — підкреслює Степанов.
Платформа доступна у кількох форматах. Базові open-source моделі можна завантажити з Hugging Face. Потужніші рішення через API, а найближчим часом стартап відкриє дашборд, який спростить доступ і дозволить налаштовувати моделі під себе.
Команда Knowledgator складається з 12 осіб, переважно з України. Стартап отримав pre-seed раунд від Startup Wise Guys, гранти від Українського фонду стартапів та підтримку Google for Startups.
Наразі команда працює над мультимодальністю: окрім текстів, скоро платформа зможе працювати з аудіо та зображеннями. Також активно вдосконалюється підтримка понад 100 мов, серед них і українська.
«Нашою метою є стати лідерами у сфері information extraction. Це не просто моделі — це інфраструктура, яка допоможе світовим компаніям структуровано працювати з хаотичними даними», — підсумовує CEO Knowledgator.
Нагадаємо, у нас також виходив матеріал про те, як українські стартапи вперше отримали шанс позмагатися за фінансування від Єврокомісії окремо від європейських конкурентів. У липні ЄС оголосив новий конкурс, орієнтований винятково на deeptech-команди з України, які вже мають MVP і потенціал масштабування.
