هرچه کسب‌وکارها بیشتر برای خودکارسازی کارها به عامل‌های هوش مصنوعی روی می‌آورند، حجم عظیم اطلاعاتی که در اسناد پیچیده حبس شده همچنان یک چالش باقی می‌ماند. استارتاپ Unsiloed AI برای حل این مشکل ۷.۵ میلیون دلار در دور سرمایه‌گذاری اولیه (seed) به رهبری Felicis جذب کرده است؛ هدفش این است که با فناوری تخصصی خود به سازمان‌ها کمک کند اسنادشان را در دسترس عامل‌های هوش مصنوعی قرار دهند.

شرکت سرمایه‌گذاری خطرپذیر Felicis که در سیلیکون‌ولی مستقر است، رهبری این دور را بر عهده داشت و Y Combinator، Orange Collective و Uncorrelated Ventures نیز در آن مشارکت کردند. آرتی رامامورتی (Aarthi Ramamurthy) و بث ترنر (Beth Turner) هم از سرمایه‌گذاران فرشته این دور بودند.

اسناد کاری اغلب جدول، نمودار و چیدمان‌های پیچیده دارند و سیستم‌های هوش مصنوعی ممکن است در تفسیر درست آن‌ها دچار مشکل شوند. اما اشتباه در خواندن اطلاعات می‌تواند برای کسب‌وکارها خطاهای پرهزینه به بار آورد و در مورد یک بانک، بیمارستان یا مؤسسه حقوقی که کار روزانه‌شان به این اسناد وابسته است، پیامدها می‌تواند جدی باشد.

Unsiloed می‌خواهد این مشکل را با نرم‌افزاری حل کند که اسناد پیچیده را تجزیه می‌کند، اطلاعات را از جدول‌ها، نمودارها و دیگر اجزا بیرون می‌کشد و آن را به دادهٔ ساختاریافته‌ای تبدیل می‌کند که عامل‌های هوش مصنوعی می‌توانند از آن استفاده کنند. این فناوری همچنین نشان می‌دهد هر اطلاعات استخراج‌شده از کدام بخش سند اصلی آمده است تا کسب‌وکارها بتوانند نتایج را بررسی کنند، نه اینکه خروجی هوش مصنوعی را بی‌قید و شرط بپذیرند.

امان میشرا (Aman Mishra)، هم‌بنیان‌گذار و مدیرعامل Unsiloed (در تصویر بالا، سمت راست)، در یک مصاحبه گفت: «مشکل مدل‌های زبانی بزرگ این است که ذاتاً احتمالاتی‌اند. مقداری انحراف در خروجی ایجاد می‌شود. پای توهم‌زایی هم در میان است و این در ادامهٔ زنجیره تأثیر منفی بزرگی دارد.»

میشرا Unsiloed را با عدنان عباس (Adnan Abbas) (در تصویر بالا، سمت چپ) بنیان گذاشت که هم‌کلاسی پیشین او در مؤسسهٔ فناوری هند خارگپور (Indian Institute of Technology (IIT) Kharagpur) بوده است. این دو پس از مدتی کار روی توسعهٔ فناوری، به دورهٔ Fall 2025 شتاب‌دهندهٔ Y Combinator پیوستند.

میشرا به TechCrunch گفت که Unsiloed هم‌اکنون با مشتریانی در حوزه‌های مالی، خدمات حقوقی و مراقبت سلامت کار می‌کند. به گفتهٔ او، یک بانک از فناوری این شرکت برای پردازش اسناد استفاده می‌کند و یک مؤسسه حقوقی آن را روی سرورهای خود برای رسیدگی به قراردادها و پرونده‌های قدیمی مستقر کرده است؛ او نام هیچ‌یک از این دو مشتری را فاش نکرد. اما میشرا استارتاپ هوش مصنوعی صوتی Bolna AI را به‌عنوان مشتری نام برد و گفت این شرکت از Unsiloed برای پردازش پایگاه‌های دانش و ساخت عامل‌های صوتی استفاده می‌کند.

این استارتاپ که دفتر مرکزی‌اش در سان‌فرانسیسکو است، وارد بازاری شده که پیش‌تر هم شلوغ بوده است: استارتاپ‌های تخصصی پردازش اسناد مانند Reducto و Unstructured و همچنین محصولات مایکروسافت و آمازون در آن حضور دارند. کسب‌وکارها گاهی از مدل‌های هوش مصنوعی عمومی هم برای استخراج اطلاعات از اسناد استفاده می‌کنند و همین گروه دیگری از رقبا را پیش روی Unsiloed قرار می‌دهد.

میشرا به TechCrunch گفت که مزیت Unsiloed در شیوهٔ پردازش اسناد پیچیده است. این استارتاپ از مدل‌های بینایی «dual-stream» استفاده می‌کند که دادهٔ متن و تصویر را جداگانه پردازش می‌کنند و در کنار آن روشی به نام «heat map-based chunking» را به کار می‌برد که به شناسایی مهم‌ترین بخش‌های سند کمک می‌کند.

میشرا گفت: «در یکی از جریان‌ها توکن‌های متن را دارید و در جریان دیگر توکن‌های دقیق تصویر را. ما زمان زیادی را صرف طراحی معماری این بخش کرده‌ایم.»

این فناوری سپس توان محاسباتی بیشتری را به بخش‌هایی مانند شکل‌ها، اعداد و نمودارها اختصاص می‌دهد. Unsiloed از یک رمزگشا (decoder) تخصصی هم استفاده می‌کند که اصطلاحات تخصصی هر صنعت را در نظر می‌گیرد و به آن کمک می‌کند میان واژه‌هایی که در بافت‌های مختلف کسب‌وکار معناهای متفاوتی دارند تمایز بگذارد.

میشرا برای پشتیبانی از این ادعاها به آزمونی اشاره کرد که روی ۵۴۲ سند مالی ارائه‌شده از سوی یک مشتری سازمانی انجام شد. بر اساس یک خلاصهٔ فنی که استارتاپ منتشر کرده، Unsiloed روی حدود ۸۴٬۰۰۰ دادهٔ استخراج‌شده به دقت ۹۹.۷۸٪ رسیده است. در این آزمون، Unsiloed با مدل‌های اصلی هوش مصنوعی، Azure Document Intelligence مایکروسافت و ابزار استخراج داخلی همان مشتری مقایسه شد. با این حال، این نتایج به‌طور مستقل تأیید نشده است.

Unsiloed همچنین ادعا می‌کند در olmOCR-Bench، بنچمارک عمومی ساختهٔ Allen AI، از ابزارهای رقیب پردازش اسناد هوش مصنوعی بهتر عمل کرده است. در آزمون‌هایی که خود این استارتاپ اجرا کرد، Unsiloed امتیاز ۸۸.۰ گرفت، در حالی که سیستم عاملی Reducto امتیاز ۶۶.۰ و Unstructured امتیاز ۳۹.۹ کسب کردند. این بنچمارک ۱٬۴۰۳ صفحهٔ PDF را پوشش می‌داد و بررسی می‌کرد که سیستم‌ها تا چه حد در پردازش جدول‌ها، عبارت‌های ریاضی، اسناد اسکن‌شده و چیدمان‌های پیچیده موفق عمل می‌کنند.

میشرا گفت قیمت‌گذاری Unsiloed از یک سنت به ازای هر صفحه شروع می‌شود. او ادعا کرد که رویکرد این استارتاپ با هدایت توان محاسباتی به بخش‌هایی از سند که بیشترین توجه را می‌طلبند، نه پردازش یکسان همهٔ بخش‌ها، به پایین نگه‌داشتن هزینه‌هایش هم کمک می‌کند.

Unsiloed در حال حاضر هفت نفر نیروی انسانی دارد. میشرا گفت این استارتاپ قصد دارد با سرمایهٔ تازه پژوهشگران و مهندسان بیشتری استخدام کند، تلاش‌های فروش خود را گسترش دهد و مجموعه‌داده‌های اختصاصی برای بهبود فناوری‌اش توسعه دهد.