Omsætning før venturekapital

En bemærkelsesværdig detalje er, at Poindexter Labs' stifter, Jocelyn D'Arcy – en tidligere matematiklærer – formåede at bootstrappe forretningen til en omsætning på £1,6 millioner, før hun hentede en eneste krone i ekstern risikovillig kapital . At kunne præstere en omsætning i millionklassen uden institutionel kapital signalerer en sjælden produkt-markeds-tilpasning, især inden for AI-infrastruktur på et så tidligt stadie.

Problemet: Ekspert-ræsonnement er den nye flaskehals

Moderne AI-modeller har ikke bare brug for mere data; de har brug for bedre data. At træne en model i at løse et avanceret regnestykke, opbygge en juridisk argumentation eller gennemføre et fysikbevis kræver datasæt, der indeholder autentiske, ekspert-lignende tankekæder – ikke blot korrekte svar. Traditionelle platforme til dataannotering er dårligt rustet til opgaven, fordi de oprindeligt blev designet til lineære arbejdsgange, hvor én enkelt medarbejder leverer en simpel vurdering .

Poindexter Labs kalder denne forældede model for det svage led i AI'ens forsyningskæde og betegner den som en 'ødelagt' pipeline for frontier-AI . Virksomheden fokuserer på at producere, hvad de kalder "høj-fidelitets trænings- og evalueringsdatasæt". Disse datasæt inkorporerer beviser, 'chain-of-thought'-spor, flertrinslogik og detaljerede proceslogfiler inden for fagområder som STEM, jura, medicin, finans og ingeniørvidenskab .

Syncronus: En peer-review-platform i stedet for et samlebånd

Virksomhedens tekniske svar er platformen Syncronus, der erstatter den isolerede annoteringsmodel med en struktureret og samarbejdsorienteret peer-review-proces . I stedet for at en enkelt freelancer løser en opgave alene, bliver problemerne skabt og derefter gennemgået af et nøje udvalgt netværk af olympiadevindere, ph.d.'er og professorer .

En typisk opgave på platformen kunne bestå i at formulere et originalt problem inden for datalogi, der kræver et flertrinsbevis. Løsningen indfanges med fuld procesdokumentation – såsom kladderæsonnementer, trinvise logfiler og ændringer i LaTeX – som efterfølgende vurderes af en anden ekspert for korrekthed og klarhed . Dette skaber et revisionsspor af ekspertkognition, der kan bruges direkte til at finjustere AI-instruktionsmodeller og udvikle pensum for ræsonnement .

Poindexter licenserer Syncronus-platformen til virksomheder og offentlige institutioner, der ønsker at oprette deres egne kuraterede ekspertdatasæt. Derudover driver de en intern dataannoteringstjeneste, der leverer færdige, peer-reviewede datasæt direkte til de førende AI-laboratorier .

Sådan skal pengene bruges

Virksomheden planlægger primært at bruge den nye kapital på at accelerere udviklingen af Syncronus-platformen og skalere sit netværk af bidragsydere . I takt med at efterspørgslen vokser fra AI-laboratorier, der har brug for ræsonnementdata af høj kvalitet til både træning og evaluering, satser virksomheden på, at deres model – der kombinerer platformsteknologi med et elitært menneskeligt netværk – kan blive en afgørende brik i infrastrukturen for næste generation af AI-systemer.

Omsætning før venturekapital

En bemærkelsesværdig detalje er, at Poindexter Labs' stifter, Jocelyn D'Arcy – en tidligere matematiklærer – formåede at bootstrappe forretningen til en omsætning på £1,6 millioner, før hun hentede en eneste krone i ekstern risikovillig kapital . At kunne præstere en omsætning i millionklassen uden institutionel kapital signalerer en sjælden produkt-markeds-tilpasning, især inden for AI-infrastruktur på et så tidligt stadie.

Problemet: Ekspert-ræsonnement er den nye flaskehals

Moderne AI-modeller har ikke bare brug for mere data; de har brug for bedre data. At træne en model i at løse et avanceret regnestykke, opbygge en juridisk argumentation eller gennemføre et fysikbevis kræver datasæt, der indeholder autentiske, ekspert-lignende tankekæder – ikke blot korrekte svar. Traditionelle platforme til dataannotering er dårligt rustet til opgaven, fordi de oprindeligt blev designet til lineære arbejdsgange, hvor én enkelt medarbejder leverer en simpel vurdering .

Poindexter Labs kalder denne forældede model for det svage led i AI'ens forsyningskæde og betegner den som en 'ødelagt' pipeline for frontier-AI . Virksomheden fokuserer på at producere, hvad de kalder "høj-fidelitets trænings- og evalueringsdatasæt". Disse datasæt inkorporerer beviser, 'chain-of-thought'-spor, flertrinslogik og detaljerede proceslogfiler inden for fagområder som STEM, jura, medicin, finans og ingeniørvidenskab .

Syncronus: En peer-review-platform i stedet for et samlebånd

Virksomhedens tekniske svar er platformen Syncronus, der erstatter den isolerede annoteringsmodel med en struktureret og samarbejdsorienteret peer-review-proces . I stedet for at en enkelt freelancer løser en opgave alene, bliver problemerne skabt og derefter gennemgået af et nøje udvalgt netværk af olympiadevindere, ph.d.'er og professorer .

En typisk opgave på platformen kunne bestå i at formulere et originalt problem inden for datalogi, der kræver et flertrinsbevis. Løsningen indfanges med fuld procesdokumentation – såsom kladderæsonnementer, trinvise logfiler og ændringer i LaTeX – som efterfølgende vurderes af en anden ekspert for korrekthed og klarhed . Dette skaber et revisionsspor af ekspertkognition, der kan bruges direkte til at finjustere AI-instruktionsmodeller og udvikle pensum for ræsonnement .

Poindexter licenserer Syncronus-platformen til virksomheder og offentlige institutioner, der ønsker at oprette deres egne kuraterede ekspertdatasæt. Derudover driver de en intern dataannoteringstjeneste, der leverer færdige, peer-reviewede datasæt direkte til de førende AI-laboratorier .

Sådan skal pengene bruges

Virksomheden planlægger primært at bruge den nye kapital på at accelerere udviklingen af Syncronus-platformen og skalere sit netværk af bidragsydere . I takt med at efterspørgslen vokser fra AI-laboratorier, der har brug for ræsonnementdata af høj kvalitet til både træning og evaluering, satser virksomheden på, at deres model – der kombinerer platformsteknologi med et elitært menneskeligt netværk – kan blive en afgørende brik i infrastrukturen for næste generation af AI-systemer.