Sequen demokratyzuje algorytmy z TikToka. Czy Large Event Models zastąpią pliki cookie?

Współczesne platformy cyfrowe przestały jedynie podpowiadać treści – one aktywnie kształtują nasze pragnienia. Zoë Weil, współzałożycielka i CEO startupu Sequen, zauważa, że skuteczność dzisiejszych systemów rekomendacyjnych jest tak wysoka, iż użytkownicy często ulegają złudzeniu, że ich urządzenia podsłuchują prywatne rozmowy. To jednak nie magia, lecz zaawansowana analiza danych, która do tej pory była zarezerwowana wyłącznie dla gigantów takich jak ByteDance czy Meta. Sequen zamierza to zmienić, udostępniając podobne narzędzia szerszemu rynkowi.

Przełom w architekturze rankingu: LEM zamiast LLM

Fundamentem propozycji Sequen jest koncepcja Large Event Models (LEM). Podczas gdy popularne modele językowe (LLM) operują na tekście, rozwiązanie Weil skupia się na sekwencjach zdarzeń i strumieniach ludzkich zachowań. System nie analizuje statycznych profili użytkowników, lecz uczy się na bieżąco na podstawie interakcji w obrębie pojedynczej sesji. Liczą się nie tylko kliknięcia, ale także najechania kursorem, czas spędzony na konkretnym elemencie czy dynamika przewijania strony.

Dla dużych graczy z listy Fortune 500, którzy nie dysponują infrastrukturą porównywalną z TikTokiem, platforma RankTune od Sequen staje się brakującym ogniwem. Integracja odbywa się poprzez proste API, co pozwala firmom na błyskawiczną wymianę własnych, często mało efektywnych systemów rankingowych na silnik nowej generacji. Wyniki są imponujące: jeden z gigantów branży meblarskiej odnotował wzrost przychodów o 7% po wdrożeniu Sequen, podczas gdy wcześniejsze optymalizacje kończyły się sukcesem na poziomie zaledwie 0,4%.

Prywatność jako efekt uboczny technologii

W dobie rosnącej presji regulacyjnej i zmierzchu ery plików „cookie”, Sequen proponuje podejście, które może wydawać się paradoksalne: większa skuteczność przy mniejszym zapotrzebowaniu na dane osobowe. Ponieważ Large Event Models koncentrują się na bieżącym strumieniu zdarzeń, tożsamość użytkownika staje się dla algorytmu drugorzędna. Rekomendacje są generowane w czasie krótszym niż 20 milisekund na podstawie tego, co dzieje się „tu i teraz”, a nie w oparciu o historię przeglądania sprzed tygodnia czy dane pozyskane od podmiotów trzecich.

To podejście „privacy-forward” okazuje się niezwykle rentowne. Startup w ciągu niespełna 18 miesięcy zaczął przetwarzać 10 miliardów zapytań miesięcznie, zdobywając kontrakty o siedmiocyfrowej wartości. Inwestorzy docenili ten potencjał, zamykając rundę serii A kwotą 16 milionów dolarów, co łącznie daje firmie 22 miliony dolarów kapitału na dalszy rozwój. Zespół, w skład którego wchodzą specjaliści z DeepMind, Anthropic i Mety, udowadnia, że personalizacja nie musi oznaczać inwigilacji, by być ekstremalnie skuteczną.