Electric Twin, una piattaforma di intelligenza artificiale focalizzata sullo sviluppo di modelli sintetici di pubblico, ha annunciato un finanziamento di 14 milioni di dollari.

Dettagli del finanziamento

Il finanziamento include un round da 10 milioni di dollari guidato da Atomico, con la partecipazione di LocalGlobe, Mercuri e Samos Investments, oltre a diversi angel investors. Questo segue un round pre-seed da 4 milioni di dollari precedentemente non divulgato.

Tecnologia e applicazione

Fondata da Dr Ben Warner e Alex Cooper, Electric Twin sviluppa strumenti per aiutare le aziende a comprendere meglio il loro pubblico e supportare i processi decisionali. La piattaforma combina dati di sondaggi reali con modelli linguistici di grandi dimensioni, ricerca nelle scienze sociali e machine learning per creare modelli sintetici di pubblico. Questi modelli sono progettati per stimare come le persone potrebbero rispondere a messaggi, lanci di prodotti o proposte strategiche.

Vantaggi rispetto ai metodi tradizionali

Questo approccio si propone come alternativa ai metodi di ricerca tradizionali, che possono essere lunghi, costosi e limitati da questionari fissi e dimensioni del campione ridotte. Electric Twin mira a superare queste limitazioni trasformando gli input di ricerca statici in modelli di pubblico digitali dinamici, consentendo un'analisi più rapida e test di scenario più ampi. La piattaforma permette alle aziende di esplorare le prospettive del pubblico in modo più approfondito e di valutare le idee in modo più efficiente.

Espansione e sviluppo futuri

I finanziamenti supporteranno l'espansione internazionale di Electric Twin e lo sviluppo continuo della sua tecnicia di previsione. L'azienda prevede di migliorare i suoi modelli sintetici di pubblico ed espandere la gamma di scenari che le aziende possono analizzare, con l'obiettivo di rendere gli strumenti avanzati di supporto decisionale più ampiamente accessibili.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.