Markdown edition

AI-translated from English; not yet reviewed by a fluent editor.

# Sinusuportahan ng $350 milyong pagpopondo sa Snorkel ang mga kunwaring lugar ng trabaho para sa AI

> Sinusuportahan ng bagong pondo ng Snorkel ang mga kunwaring lugar ng trabaho kung saan maaaring magsanay ang mga AI agent gamit ang mga tool, tuntunin at talaan ng kumpanya, habang namarkahan ang mga kilos at resulta nila.

By BIG CHANGE Editorial

Published: 2026-09-22T23:48:28.109Z
Updated: 2026-09-23T03:38:46.383Z
Canonical: https://bigchange.ai/blog/snorkel-ai-training-simulated-workplaces

![A blank monitor and tool tray sit inside an orange-edged controlled training workstation.](https://bigchange.ai/api/media/file/snorkel-training-room-boundary-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE. Illustration of a controlled training workstation with tools and a visible boundary. It does not show a customer system or a production result.

Nagbebenta ang Snorkel AI ng mga kunwaring lugar ng trabaho para sanayin ang mga agent. Naglalaman ang mga ito ng mga talaan, tool at tuntunin ng kumpanya, at minamarkahan ang mga kilos at resulta ng agent.

Noong Setyembre 22, [inanunsiyo ng Snorkel ang Series E na $350 milyon sa halagang $3.5 bilyon](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/). Bago ang pagpopondo; hindi ang direksiyon ng produkto. Inilarawan na ng Snorkel ang paraan nito sa pagbuo ng kapaligiran noong 2025, at nakalista sa kasalukuyang Data Series nito ang mga simulasyon ng underwriting sa ari-arian at casualty at pananalapi. Sinusuportahan ng round ang kasalukuyang negosyo na ginagawang imprastraktura para sa pagsasanay at ebalwasyon ang kaalamang dalubhasa tungkol sa trabaho.

## Ang malaking pagbabago

- **Ano ang nagbago:** Maaaring magbenta ang tagapagbigay ng datos para sa pagsasanay ng gumaganang simulasyon ng proseso ng kumpanya. Para magtagumpay, kailangang gamitin ng agent ang mga magagamit na tool at talaan para tapusin ang workflow.
- **Bakit ito mahalaga:** Bahagi ng pagtukoy sa mahusay na trabaho ang mga taong bumubuo ng kapaligiran. Nagiging bahagi ng senyas na nagbibigay-gantimpala sa isang asal at tumatanggi sa iba ang hangganan ng polisiya, kinakailangang pag-apruba o pag-update ng database. Kaya input sa pagsasanay ang paghuhusgang dalubhasa sa larangan, hindi lamang panghuling pagsusuri.
- **Ano ang dapat bantayan:** Sinasabi ng Snorkel na palalawakin nito ang mga gawad para sa bukas na benchmark. Para sa mga komersiyal na kapaligiran, ang pangunahing tanong ay kung gaano katumpak ang pagtutugma ng mga tool, tuntunin at eksepsiyon sa operasyon ng bibili, dahil batay sa nabuong bersiyon ng trabaho sinusukat ang tagumpay sa simulasyon.

## Mga nilalaman ng kunwaring kumpanya

Maaaring ipares ng nakapirming dataset ang tanong at inaasahang sagot. Nagdaragdag naman ng mga kilos at bunga ang kapaligiran. Pumipili ng tool ang agent, inoobserbahan ang nangyari at nagpapasiya kung ano ang susunod na gagawin. Maaaring magbago ang database, magbigay ng nawawalang impormasyon ang kunwaring user, at mangailangan ng pag-akyat sa mas mataas na antas ang polisiya.

[Sinasabi sa salaysay ng Snorkel noong Agosto tungkol sa mga enterprise environment](https://snorkel.ai/blog/enterprise-environments-ai-agents/) na sinusuri sa ebalwasyon ang sagot, kalagayan ng sistemang nagresulta, mga pahintulot, pag-apruba at proseso ng pangangalap ng ebidensiya. Kaya maaaring bumagsak ang pahayag na natapos ang gawain kapag hindi nagbago ang pinagbabatayang talaan.

Inililista sa kasalukuyang pahina ng produktong [Enterprise Environments](https://snorkel.ai/data-series/enterprise-environments/) ang underwriting at pananalapi bilang magagamit, na bawat isa ay may libo-libong gawain at kunwaring user. Mga artifact ito para sa pagsasanay.

Maaaring magsilbi ang iisang artifact sa dalawang magkaugnay na layunin. Maaari itong gamitin ng pangkat para suriin ang agent batay sa mga nauulit na gawain. Maaari rin nitong ilagay ang mga gawain at senyas ng gantimpala sa reinforcement-learning loop, para makaapekto ang matagumpay na asal sa mga susunod na kilos.

## Bahagi ng produkto ang mga tuntunin

Ayon sa Snorkel, itinatakda ng mga eksperto ang workflow at pamantayan ng tagumpay; binubuo naman ng mga inhinyero ang mga tool at datos nito. Namarkahan ng mga verifier ang gawain, habang tinitiyak ng oracle agent na may wastong landas na maaaring sundan.

Nangangailangan ang mga tuntuning partikular sa kumpanya na siyasatin ng agent ang kapaligiran sa halip na umasa sa pangkalahatang kaalaman sa industriya.

Nagpapasiya ang mga may-akda ng kapaligiran kung aling eksepsiyon ang mahalaga, ano ang maituturing na pagtatapos at aling mga alternatibong landas ang katanggap-tanggap. Kailangang tiyakin ng mga bibili at eksperto sa larangan kung sumasalamin ang mga pasiyang iyon sa aktuwal na trabaho.

## May hangganan ang kontroladong pagsubok

Sinasabi sa [teknikal na paliwanag ng Snorkel noong 2025](https://snorkel.ai/blog/snorkeling-in-rl-environments/) na gumagamit ang mga kapaligiran nito ng mga kumakatawang serbisyo at schema, at pumapalit sa live na sistema ang sintetikong datos o datos na hindi nagpapakilala. Dahil kontrolado ito, maaaring ulitin ng pangkat ang mga gawain, siyasatin ang mga pagbabago sa database at subukan ang mga ipinagbabawal na kilos nang hindi ginagalaw ang mga talaan ng customer.

Ebidensiya ang resulta ng pagganap batay sa naka-encode na workflow. Ipinapaliwanag sa mga source page kung paano binubuo at sinusuri ng Snorkel ang mga gawain, ngunit wala silang inilalahad na malayang pag-aaral na nag-uugnay sa mga marka sa komersiyal na simulasyong ito at sa pagiging maaasahan sa aktuwal na operasyon ng underwriting o pananalapi. Nakadepende pa rin ang paggamit sa produksyon sa katumpakan ng pagsasama sa simulasyon ng mga totoong tool, datos at natatanging kaso.

## Ano ang sinusuportahan ng pondo

Nagsimula ang Snorkel bilang sistema para gumawa ng mga dataset na may label. Pinagsasama naman ng mas bagong alok nito ang kaalamang dalubhasa sa anyo ng mga kapaligiran, evaluator at gawain sa pagsasanay. Lumilikha ang pagbabagong ito ng natatanging bahagi sa AI stack: binuong bersiyon ng trabaho, kasama ang mga tuntuning nagsasaad kung ginawa ito nang tama ng agent.

Para sa mga eksperto sa larangan, inilalapit sa pagbuo ng modelo ang pagtukoy at beripikasyon ng gawain. Para sa mga bibili, bahagi na ng binibili ang kalidad ng espesipikasyon. Maaaring gawing mas bukas sa pagsusuri ang mas maraming pagbuo at pagmamarka ng kapaligiran sa pamamagitan ng inanunsiyong pagpapalawak ng programa ng Open Benchmarks Grants ng Snorkel, ngunit walang tinutukoy na susunod na gawad o mga tuntunin nito sa anunsiyo ng pagpopondo.

## Sources

- [Snorkel AI: Data 2.0 at panahon ng pananaliksik sa datos ng AI](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/) — Inanunsiyo ni CEO Alex Ratner ang Series E na $350 milyon sa halagang $3.5 bilyon at sinabing palalawakin ng Snorkel ang programa nitong Open Benchmarks Grants. Pananaw ng kumpanya, hindi malalayang natuklasan, ang mas malawak nitong mga pahayag tungkol sa kakayahan ng modelo, paulit-ulit na pagpapahusay at direksiyon ng merkado.
- [Snorkel AI: Mga enterprise environment at pagsasanay sa mga AI agent para sa totoong workflow](https://snorkel.ai/blog/enterprise-environments-ai-agents/) — Inilalarawan ang mga bahagi ng kunwaring kumpanya, pagbuo ng mga eksperto at inhinyero, pagsusuri sa landas ng oracle, mga tuntuning partikular sa kumpanya at ebalwasyon sa sagot, kalagayan, kaligtasan at proseso. Artifact para sa pagsasanay ang halimbawa sa insurance, hindi dokumentadong paggamit sa aktuwal na operasyon.
- [Data Series ng Snorkel: Enterprise Environments](https://snorkel.ai/data-series/enterprise-environments/) — Inililista ng kasalukuyang pahina ng produkto bilang magagamit ang mga kapaligiran para sa underwriting sa ari-arian at casualty at pananalapi, na may libo-libong gawain, database, dokumento ng polisiya, tool ng larangan at kunwaring user. Hindi isinama ang mga pahayag tungkol sa pagganap at paglipat sa produksyon dahil kulang ang metodolohiyang inilalahad sa pahina para suportahan ang mga ito sa artikulong ito.
- [Snorkel AI: Paglangoy sa mga reinforcement-learning environment](https://snorkel.ai/blog/snorkeling-in-rl-environments/) — Ipinapaliwanag ang konteksto ng kapaligiran, mga kilos, estado at senyas ng ebalwasyon; ibinubukod ang kunwaring ebalwasyon sa mga RL gym; at inilalarawan ang mga kumakatawang serbisyo, schema, sintetikong datos o datos na hindi nagpapakilala, verifier at pagsusuri ng eksperto. Itinatatag nito ang ibinunyag na pamamaraan, hindi ang pagiging maaasahan sa produksyon.