Palona gaat verticaal en lanceert Vision- en Workflow-functies: 4 belangrijke lessen voor AI-ontwikkelaars

Het bouwen van een enterprise AI-bedrijf op een “fundament van drijfzand” is vandaag de dag de centrale uitdaging voor oprichters, aldus het leiderschap van Palonaan.

Vandaag maakt de in Palo Alto gevestigde startup, geleid door voormalige veteranen van Google en Meta Engineering, een beslissende verticale stap in de restaurant- en hospitality-industrie met de lancering van Palona Vision en Palona Workflow.

Het nieuwe aanbod transformeert de multimodale agentensuite van het bedrijf in een realtime besturingssysteem voor restaurantactiviteiten, inclusief camera’s, oproepen, gesprekken en gecoördineerde taakuitvoering.

Het nieuws markeert een strategische spil voor het bedrijf debuut begin 2025toen het voor het eerst opdook $ 10 miljoen aan startfinanciering creëer emotioneel intelligente verkopers voor grote bedrijven met direct-to-consumer service.

Door de focus nu te beperken tot een ‘multimodale native’ benadering voor restaurants, biedt Palona een model voor AI-bouwers over hoe ze verder kunnen gaan dan ‘thin shells’ om diepgaande systemen te bouwen die grote problemen in de fysieke wereld oplossen.

“Je bouwt een bedrijf op een fundament dat uit zand bestaat, en niet uit drijfzand, maar uit drijfzand”, zegt mede-oprichter en CTO Tim Howes, verwijzend naar de instabiliteit van het huidige LLM-ecosysteem. “Dus hebben we een orkestratielaag gecreëerd waarmee we modellen kunnen uitruilen op het gebied van prestaties, soepelheid en kosten.”

VentureBeat sprak onlangs persoonlijk met Howes en mede-oprichter en CEO Maria Zhang op – waar anders? – een restaurant in New York over de technische uitdagingen en de harde lessen die zijn geleerd uit de lancering, groei en ommekeer ervan.

Het nieuwe aanbod: visie en workflow als “digitale GM”

Voor de eindgebruiker, restauranteigenaar of exploitant is de nieuwste versie van Palona ontworpen om te functioneren als een geautomatiseerde ‘best operations manager’ die nooit slaapt.

Palona Vision maakt gebruik van beveiligingscamera’s in de winkel om operationele signalen, zoals wachtrijlengtes, tafelverloop, knelpunten bij de voorbereiding en schoonmaak, te analyseren, zonder dat daarvoor nieuwe hardware nodig is.

Bewaak front-of-house-gegevens zoals wachtrijlengtes, tafelverschuivingen en netheid, en identificeer tegelijkertijd back-of-house-problemen zoals vertragingen bij het opzetten of configuratiefouten van stations.

Palona Workflow vult dit aan door operationele processen in meerdere stappen te automatiseren. Dit omvat het beheren van cateringbestellingen, het openen en sluiten van checklists en het uitvoeren van de voedselbereiding. Door videosignalen van Vision te correleren met point-of-sale (POS)-gegevens en personeelsbezetting, zorgt Workflow voor een consistente uitvoering op meerdere locaties.

“Palona Vision is alsof je elke locatie een digitale GM geeft”, zegt Shaz Khan, oprichter van Tono Pizzeria + Cheesesteaks, in een persbericht aan VentureBeat. “Het rapporteert problemen voordat ze escaleren en bespaart mij uren per week.”

Verticaal gaan: lessen in branche-expertise

Palona’s reis begon met een met sterren bezaaide lijst. CEO Zhang was eerder VP Engineering bij Google en CTO van Tinder, terwijl mede-oprichter Howes de mede-uitvinder is van LDAP en voormalig CTO van Netscape.

Ondanks deze achtergrond was het eerste jaar van het team een ​​les in de noodzaak van focus.

Aanvankelijk bediende Palona mode- en elektronicamerken, waarbij ze ’tovenaars’ en ‘surfers’-persoonlijkheden creëerde om de verkoop af te handelen. Het team realiseerde zich echter al snel dat de restaurantindustrie een unieke kans van een biljoen dollar vertegenwoordigde die ‘verrassend recessiebestendig’ was, maar ‘verbijsterd’ door operationele inefficiëntie.

“Advies voor oprichters van startups: ga niet multi-industrieel te werk”, waarschuwde Zhang.

Door te verticaliseren veranderde Palona van een ‘dunne’ chatlaag in het bouwen van een ‘multisensorische informatiepijplijn’ die visie, stem en tekst in tandem verwerkt.

Deze helderheid van focus heeft de toegang tot bedrijfseigen trainingsgegevens (zoals voorbereidingsplaybooks en gesprekstranscripties) geopend, terwijl het schrapen van generieke gegevens is vermeden.

1. Vertrouw op “drijfzand”

Om tegemoet te komen aan de realiteit van zakelijke AI-implementaties in 2025, waarbij bijna wekelijks nieuwe, verbeterde modellen worden uitgebracht, heeft Palona een orkestratielaag ontwikkeld waarvoor patent is aangevraagd.

In plaats van te worden ‘gebundeld’ met een enkele leverancier als OpenAI of Google, stelt Palona’s architectuur hen in staat modellen voor een dubbeltje te verhandelen op basis van prestaties en kosten.

Ze gebruiken een mix van eigen en open source-modellen, waaronder Gemini voor benchmarks voor computervisie en taalmodellen specifiek voor vloeiend Spaans of Chinees.

Voor fabrikanten is de boodschap duidelijk: laat de kernwaarde van uw product nooit afhankelijk worden van één enkele leverancier.

2. Van woorden naar ‘modellen van de wereld’

De lancering van Palona Vision vertegenwoordigt een verschuiving van het begrijpen van woorden naar het begrijpen van de fysieke realiteit van een keuken.

Terwijl veel ontwikkelaars moeite hebben om afzonderlijke API’s aan elkaar te koppelen, transformeert Palona’s nieuwe visiemodel bestaande camera’s in de winkel in operationele assistenten.

Het systeem identificeert in realtime ‘oorzaak en gevolg’, herkent of een pizza niet gaar is vanwege de ‘lichtbeige’ kleur of waarschuwt een manager als een vitrine leeg is.

“In woorden: natuurkunde doet er niet toe,” legde Zhang uit. “Maar in werkelijkheid laat ik de telefoon vallen, hij valt altijd… we willen echt begrijpen wat er in deze restaurantwereld gebeurt.”

3. De “Muffin”-oplossing: aangepaste geheugenarchitectuur

Een van de belangrijkste technische obstakels waarmee Palona te maken kreeg, was geheugenbeheer. In de context van een restaurant is herinnering het verschil tussen een frustrerende interactie en een ‘magische’ interactie waarbij de agent de ‘gebruikelijke’ bestelling van een klant onthoudt.

Het team gebruikte aanvankelijk een niet-gespecificeerde open source-tool, maar ontdekte dat deze in 30 procent van de gevallen fouten opleverde. “Ik denk dat adviesontwikkelaars altijd het geheugen uitschakelen (bij consumenten-AI-producten), omdat dat gegarandeerd alles verpest”, waarschuwde Zhang.

Om dit probleem op te lossen heeft Palona Muffin gemaakt, een eigen geheugenbeheersysteem genoemd naar webcookies. In tegenstelling tot standaard vectorgebaseerde benaderingen die worstelen met gestructureerde gegevens, is Muffin ontworpen om met vier verschillende lagen om te gaan:

• Gestructureerde data: stabiele feiten zoals afleveradressen of allergie-informatie.

• Langzaam veranderende dimensies: loyaliteitsvoorkeuren en voorkeursitems.

• Tijdelijke en seizoensgebonden herinneringen: aanpassing aan veranderingen, zoals het verkiezen van koude dranken in juli boven warme chocolademelk in de winter.

• Regionale context: standaardinstellingen zoals tijdzones of taalvoorkeuren.

De les voor bouwers: als de beste beschikbare tool niet goed genoeg is voor jouw specifieke branche, moet je bereid zijn er zelf een te maken.

4. Betrouwbaarheid door “GRACE”

In een keuken is een AI-fout niet zomaar een typefout; het is een verspilde bestelling of een veiligheidsrisico. Een recent incident in Pizzeria Stefanina in Missouri, waar een AI hallucineerde tijdens een dinerrushbenadrukt hoe snel het merkvertrouwen kan verdampen als er geen waarborgen zijn.

Om een ​​dergelijke chaos te voorkomen, volgen de ingenieurs van Palona het binnenland GRACE-framework:

• Guardrail: harde limieten voor het gedrag van agenten om niet-goedgekeurde promoties te voorkomen.

• Red Teaming: Proactieve pogingen om AI te ‘breken’ en potentiële hallucinatietriggers te identificeren.

• App Sec: Blokkeer API’s en integraties van derden met TLS-, tokenisatie- en aanvalspreventiesystemen.

• Compliance: Baseer elk antwoord op geverifieerde en gecontroleerde menugegevens om nauwkeurigheid te garanderen.

• Escalatie: Leid complexe interacties door naar een menselijke manager voordat een gast onjuiste informatie ontvangt.

Deze betrouwbaarheid wordt geverifieerd door middel van grootschalige simulatie. “We hebben een miljoen manieren gesimuleerd om pizza te bestellen,” zei Zhang, waarbij hij de ene AI gebruikte om als klant op te treden en de andere om de bestelling op te nemen, waarbij hij de nauwkeurigheid meette om hallucinaties te elimineren.

De bottom-line

Met de lancering van Vision en Workflow gokt Palona erop dat de toekomst van enterprise AI niet ligt in algemene assistenten, maar in gespecialiseerde ‘besturingssystemen’ die binnen een specifiek domein kunnen zien, horen en denken.

In tegenstelling tot AI-agenten voor algemene doeleinden is het systeem van Palona ontworpen om de workflows van restaurants uit te voeren en niet alleen om vragen te beantwoorden: het kan klanten onthouden, hen hun ‘gebruikelijke’ bestellingen horen bestellen en de restaurantactiviteiten monitoren om ervoor te zorgen dat ze het eten aan de klant bezorgen volgens hun interne processen en richtlijnen, en rapporteren wanneer er iets misgaat of, cruciaal, is Van fout gaan.

Voor Zhang is het doel om menselijke operators zich op hun werk te laten concentreren: “Als je dat heerlijke eten hebt geproefd… zullen we je vertellen wat je moet doen.”