استارتاپ QueryStory؛ روایتگری دادهها با هوش مصنوعی قابل اعتماد
ردیابی حملات سایبری از طریق شبکههای پراکنده به نقیبزاده اهمیت دانش تأییدشده را نشان داد. اما این کار پرهزینه و زمانبر بود. او معتقد است که مدلهای زبانی بزرگ (LLM) میتوانند همین عملکرد را در پایگاههای داده از انواع مختلف در کسری از زمان فراهم کنند.
نقیبزاده شش سال بعد را بر محور داده و امنیت سایبری متمرکز کرد و با استفاده از منابع گوگل ابزارهایی ساخت که به تحلیلگران امنیت امکان پرسوجوی دادههای پیچیده را میداد. در سال ۲۰۱۶ او یک استارتاپ به نام کرونیکل در آزمایشگاههای X گوگل بنیان گذاشت که همین قابلیت را برای شرکتهای دیگر فراهم میکرد.
سال گذشته، با افزایش نقش مدلهای زبانی بزرگ در تحلیل دادهها، نقیبزاده فرصت جدیدی دید تا تکنیکهایی که برای امنیت سایبری توسعه داده بود را به انواع تحلیلهای دادهای تعمیم دهد. او شرکت QueryStory را با عنوان مدیرعامل تأسیس کرد، در کنار استنلی یانگ به عنوان مدیر فناوری (CTO) که از همکاران سابق گوگل و مهندس ارشد EvolutionIQ است و دیوید گلوژیک به عنوان مدیر محصول (CPO) که از نیروهای باتجربه شرکت Accenture محسوب میشود. این استارتاپ امروز پس از دوره پنهانکاری فعالیت خود را اعلام کرد.
نقیبزاده گفت: «شما الگوی یک تحقیق را دارید—ابتدا چندین سؤال از دادهها میپرسید و پس از طرح چند سؤال، آنها را در قالب یک روایت کنار هم میگذارید. این اصل نامگذاری QueryStory است. این شرکت درباره تعریف داستانها با داده است؛ یعنی ساختن روایتی که بر حقیقت مبتنی باشد.»
QueryStory در اواخر سال ۲۰۲۵ یک دور سرمایهگذاری اولیه ۶ میلیون دلاری از سرمایهگذاران Brightmind Ventures و New York Life Ventures با ارزشگذاری ۶۰ میلیون دلاری جذب کرد و در این مدت مشغول توسعه و آزمایش محصول خود با مشتریان بود. این پلتفرم عمدتاً برای شرکتهای بزرگ با پایگاههای داده بزرگ و اختصاصی طراحی شده و بستری برای یکپارچهسازی تحلیل و بررسی دادهها برای کاربران مانند تیمهای فروش یا مدیران عملیات فراهم میکند.
نقیبزاده گفت: «کاری که ما انجام میدهیم این است که شکاف اعتماد به هوش مصنوعی را پر کنیم تا به شرکتها پاسخهایی ارائه دهیم که بتوانند بر اساس آنها عمل کنند. به جای اجاره قضاوت انسانی و نیروهای گسترده مهندسان مستقر در میدان، ما این قابلیت را به یک محصول تبدیل کردیم.»
تیم دل بلو، شریک شرکت New York Life Ventures، در این استارتاپ سرمایهگذاری کرده است. او همچنین از این پلتفرم برای جایگزینی کار چند نفر و تولید گزارش کسبوکار فصلی استفاده میکند که اکنون امیدوار است به داشبورد زمان واقعی تبدیل شود.
او به TechCrunch گفت: «این محصول برای افرادی مانند من ساخته شده است؛ تصمیمگیرندگانی که دنبال حقیقت بنیادی هستند و باید با منابع داده پیچیده و پراکنده کار کنند اما تیم علم داده یا هوش تجاری ندارند، مخصوصاً زمانی که در صنعت با قوانین سختگیرانه فعالیت میکنند.»
حل مشکل شکنندگی سیستمهای هوش مصنوعی
من یک پایگاه داده فعالیتهای فضایی را به اشتراک گذاشتم که برای درک عملکرد شرکتهایی مانند اسپیسایکس در مدار زمین مفید است. QueryStory در چند ساعت تصویرسازی این دادهها را انجام داد، پروژهای که پیشتر من همراه با یک توسعهدهنده طی چند هفته انجام داده بودم. این پلتفرم داشبوردها و تحلیلهای پیچیده تولید کرد و شاید مهمتر از همه، شاخص اطمینانی ارائه داد که نشان میداد چرا عوامل هوش مصنوعی تحلیلها را دقیق میدانند.
این نوع کارها میتواند با ابزارهای همکاری همزمان که توسط آزمایشگاههای پیشرفته ساخته شده، انجام شود، اما این ابزارها به عمد در تجربه کاربری محدودیت دارند. قسمتی از ریسک QueryStory این است که کاربران، به ویژه در شرکتهای بزرگ، خواستار شفافیت، قابلیت اعتماد و کنترل بیشتر هنگام ادغام هوش مصنوعی در جریانهای کاری خود هستند.
برای مثال، یک مدیر اجرایی در شرکت فناوری اخیراً به TechCrunch گفت که با استفاده از Claude Cowork از پایگاه داده شرکت پرسوجو کرده و سپس از مدل خواسته است که پرسوجوهای SQL نوشته شده را نشان دهد تا مطمئن شود منطقی است قبل از اینکه آن را برای بازبینی انسانی به تحلیلگر داده بفرستد. در QueryStory، این پرسوجوهای SQL بهصورت خودکار نمایش داده میشوند و کاربران میتوانند تحلیلها را برای بازبینی توسط همکاران انسانی علامتگذاری کنند و آن بازبینیها در پلتفرم ثبت میشوند.
تیلر سیپرلی، شریک Brightmind Partners، به TechCrunch گفت: «هوش مصنوعی شکنندهتر از آن است که مردم وقتی به ساختن سیستمهای بادوام و در مقیاس بزرگ فکر میکنند، درک میکنند.»
نقیبزاده اشاره میکند که وقتی شرکتها دادههای خود را به رابط گفتگوی یک مدل زبانی بزرگ متصل میکنند، «صدها یا هزاران نفر در یک سازمان همه سؤالات خود را میپرسند و نسخه خود از حقیقت را دریافت و در قالب اسلایدی ارائه و به اشتراک میگذارند—در نهایت محتوایی بسیار پراکنده و بیسامان ایجاد میشود که هیچ جای مشخصی برای اتصال آن به داده وجود ندارد.»
اقتصاد این فناوری نیز نکتهای است که باید در نظر گرفت. QueryStory به گونهای ساخته شده که از مدلهای مختلف پشتیبانی کند، اگرچه فعلاً عمدتاً از جدیدترین مدلهای ارائه شده توسط آزمایشگاههای پیشرفته استفاده میکند. در حالی که شرکت او از نظر محصول با آزمایشگاههای پیشرفته رقابت میکند، نقیبزاده معتقد است که مشتریان ترجیح میدهند با ارائهدهنده خدماتی کار کنند که انگیزه فروش هر چه بیشتر هوش مصنوعی را ندارد.
نقیبزاده گفت: «ما در موقعیت خوبی هستیم که جزو شرکتهایی نباشیم که کسبوکار خود را بر مدل مصرف کامپیوتر، ذخیرهسازی یا توکن بنا کرده باشند.» او استدلال میکند که ابزار تخصصی مانند QueryStory میتواند با درک و حفظ زمینه، دقیقتر و کارآمدتر از یک عامل کلی باشد.
او گفت: «چیزی که ما میفروشیم، اعتماد به پاسخها است. چیزی که به آنها میدهیم ارزش افزوده برای کسبوکارشان است و هدف اصلی ما این است که به مدیر مالی شرکت امکان دهد بفهمد 'این چیز چقدر هزینه خواهد داشت؟'»