Cohere Inc. (IT)

From Systems analysis Wiki
Jump to navigation Jump to search

Cohere — è una società tecnologica canadese nel campo dell'intelligenza artificiale, specializzata nello sviluppo di grandi modelli linguistici (LLM) per il settore aziendale (Enterprise AI). L'azienda è stata fondata nel 2019 a Toronto da ex ricercatori di Google Brain e si posiziona come una delle principali alternative a OpenAI[1].

L'obiettivo principale di Cohere è fornire alle imprese soluzioni di IA sicure, personalizzabili e scalabili. A differenza di molti concorrenti orientati al mercato consumer, Cohere ha da subito puntato sui clienti aziendali, il che ha determinato il suo approccio tecnologico.

Storia e finanziamenti

Cohere è stata fondata nel 2019 da tre cofondatori: Aidan Gomez, Ivan Zhang e Nick Frosst. Aidan Gomez è uno dei coautori del celebre articolo scientifico del 2017 «Attention Is All You Need», che ha presentato al mondo l'architettura transformer[1]. Nel dicembre 2022, Martin Kon, ex direttore finanziario di YouTube, è diventato presidente e direttore operativo dell'azienda[1].

L'azienda ha dimostrato risultati impressionanti nella raccolta di investimenti:

  • Nel 2023, nell'ambito del round di finanziamento Serie C, sono stati raccolti 270 milioni di dollari, portando la valutazione dell'azienda a 2,1–2,2 miliardi di dollari[2].
  • Nel 2024, l'azienda ha raccolto ulteriori 500 milioni di dollari, aumentando la propria valutazione a 5,5 miliardi di dollari[3].

I principali investitori di Cohere sono PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle e Google Cloud[1][2].

Stack tecnologico

Retrieval-Augmented Generation (RAG) - Generazione aumentata dal recupero delle informazioni

La tecnologia centrale nell'approccio di Cohere è il Retrieval-Augmented Generation (RAG) — generazione aumentata dal recupero delle informazioni. Il RAG consente ai modelli di accedere in tempo reale a basi di conoscenza esterne, il che «ancora» le risposte a dati fattuali, riduce le «allucinazioni» e garantisce l'attualità delle informazioni[4]. I modelli Command R e Command A sono appositamente ottimizzati per l'utilizzo multi-fase degli strumenti nei sistemi RAG[5].

Multilingualità

Cohere presta particolare attenzione alla multilingualità. L'azienda ha sviluppato modelli addestrati su dati di madrelingua, il che garantisce un'elevata qualità delle prestazioni. Ad esempio, il modello open source Aya supporta oltre 100 lingue, incluso l'italiano, mentre la famiglia Command supporta oltre 10 lingue mondiali chiave.

Sicurezza e distribuzione

Cohere offre opzioni di distribuzione flessibili, tra cui una piattaforma SaaS, distribuzioni su cloud privato e integrazione con piattaforme di terze parti (Amazon SageMaker, Google Vertex AI, Azure). L'azienda presta particolare attenzione alla sicurezza dei dati aziendali, offrendo la possibilità di rinunciare al loro utilizzo per l'addestramento e la conformità allo standard SOC 2 Type II[6].

Gamma di prodotti e modelli

Cohere sviluppa diversi tipi di modelli destinati a diverse fasi del lavoro con il linguaggio.

Command (Modelli generativi)

Command è la famiglia di modelli generativi di punta.

  • Command A: Il modello più efficiente (2025) con 111 miliardi di parametri. Supporta una finestra di contesto di 256 000 token e può funzionare con soli due GPU, mentre i modelli concorrenti ne richiedono fino a 32[7]. Dimostra una velocità di generazione fino a 156 token al secondo, ovvero 1,75 volte più veloce di GPT-4o[8].
  • Command R+: Un modello potente con 104 miliardi di parametri e una finestra di contesto di 128 000 token. Supera molti modelli analoghi e si avvicina alle capacità di GPT-4 Turbo[9].
  • Command R: Un modello con 35 miliardi di parametri, progettato per attività conversazionali con elevata precisione[10].

Modelli specializzati

  • Aya: Un modello multilingue open source che supporta oltre 100 lingue. Sviluppato con la partecipazione di oltre 3000 ricercatori provenienti da 119 paesi[11].
  • Embed: Modelli per la creazione di rappresentazioni vettoriali del testo. Embed 4 supporta la multimodalità e una finestra di contesto di 128 000 token[12].
  • Rerank: Modelli per migliorare la qualità della ricerca nei sistemi RAG.

Partnership e integrazioni

Cohere sviluppa attivamente relazioni di partnership con importanti aziende tecnologiche, tra cui:

  • Oracle: Integrazione delle tecnologie Cohere in Oracle Fusion Cloud e NetSuite[13].
  • Salesforce: Incorporazione delle funzionalità di chat nei prodotti Salesforce[1].
  • Fujitsu: Sviluppo congiunto del modello linguistico giapponese Takane[14].
  • McKinsey: Collaborazione nell'integrazione dell'IA generativa nelle operazioni aziendali[1].

Applicazione nei diversi settori

  • Istruzione: Cohere viene utilizzata per la creazione di piani di lezione educativi, la classificazione e il supporto di iniziative multilingue[15][16].
  • Sanità e scienza: I modelli vengono applicati per la formulazione di protocolli scientifici, l'analisi di dati medici e il supporto alla ricerca[17].
  • Soluzioni aziendali: Automazione della gestione documentale, analisi dei dati, redazione di testi di marketing e assistenza clienti[5].

Vedi anche

  • Grandi modelli linguistici

Bibliografia

  • Cohere Team (2025). Command A: An Enterprise‑Ready Large Language Model. arXiv:2504.00698.
  • Üstün, A.; et al. (2024). Aya Model: An Instruction Finetuned Open‑Access Multilingual Language Model. arXiv:2402.07827.
  • Singh, S.; et al. (2024). Aya Dataset: An Open‑Access Collection for Multilingual Instruction Tuning. arXiv:2402.06619.
  • Cohere Team (2024). Command R & Command R+: Technical Overview. PDF.
  • Gao, Y.; et al. (2024). Retrieval‑Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Yu, H.; et al. (2024). Evaluation of Retrieval‑Augmented Generation: A Survey. arXiv:2405.07437.
  • Zhu, W.; et al. (2025). PSC: Extending Context Window of Large Language Models via Phase Shift Calibration. arXiv:2505.12423.
  • Gao, Y.; et al. (2024). Fine‑Tuning vs. Retrieval‑Augmented Generation for Less Popular Entities. arXiv:2403.01432.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Wang, Y.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

Note

  1. ↑ 1.0 1.1 1.2 1.3 1.4 1.5 «Cohere (company)». В Wikipedia. [1]
  2. ↑ 2.0 2.1 «ИИ-стартап Cohere, который сейчас оценивается более чем в $2,1 млрд, привлек $270 млн». Most Ecosystem. [2]
  3. ↑ «Cohere получает прирост в 500 миллионов». Unite.AI. [3]
  4. ↑ «Rethinking the RAG vs Fine-tuning Debate». arXiv. [4]
  5. ↑ 5.0 5.1 «Cohere Command R: Что это и как использовать?». ServerNews. [5]
  6. ↑ «Enterprise Data Commitments». Cohere Docs. [6]
  7. ↑ «Cohere выпустила Command A — самую эффективную на сегодня ИИ-модель для бизнеса». Habr. [7]
  8. ↑ «Cohere выпускает недорогую модель ИИ, требующую всего два графических процессора». DSmedia. [8]
  9. ↑ «LLM для бизнеса: что умеет Command R от Cohere». VC.ru. [9]
  10. ↑ «Cohere Command R». AIGenom. [10]
  11. ↑ «Cohere for AI запускает ИИ-полиглот Aya». Компьютерра. [11]
  12. ↑ «Cohere представила Embed 4 — свою самую мощную модель для создания векторных представлений». Habr. [12]
  13. ↑ «Oracle, Salesforce Ventures and Nvidia invest in Cohere». ERP Today. [13]
  14. ↑ «Fujitsu and Cohere to Partner on Developing Generative AI for the Japanese Language». Fujitsu Press Releases. [14]
  15. ↑ «Evaluating the Practicality of Retrieval-Augmented Generation in Student-Facing Educational Technology». arXiv. [15]
  16. ↑ «A Confusion Classification System for Online Learning Based on Multimodal Information». IEEE Xplore. [16]
  17. ↑ «Using large language models to streamline the creation of research protocols». BMC Medical Education. [17]
Retrieved from "https://systems-analysis.info/int/index.php?title=Cohere_Inc._(IT)&oldid=1051"