Cohere Inc. (NL)

From Systems analysis Wiki
Jump to navigation Jump to search

Cohere — een Canadees technologiebedrijf op het gebied van kunstmatige intelligentie, gespecialiseerd in de ontwikkeling van grote taalmodellen (LLM) voor de zakelijke sector (Enterprise AI). Het bedrijf werd in 2019 opgericht in Toronto door voormalige onderzoekers van Google Brain en positioneert zich als een van de belangrijkste alternatieven voor OpenAI[1].

De kernfocus van Cohere is het bieden van veilige, aanpasbare en schaalbare AI-oplossingen aan bedrijven. In tegenstelling tot veel concurrenten die zich richten op de consumentenmarkt, richtte Cohere zich vanaf het begin op zakelijke klanten, wat haar technologische aanpak heeft bepaald.

Geschiedenis en financiering

Cohere werd in 2019 opgericht door drie medeoprichters: Aidan Gomez, Ivan Zhang en Nick Frosst. Aidan Gomez is een van de co-auteurs van het baanbrekende wetenschappelijke artikel uit 2017 «Attention Is All You Need», dat de transformer-architectuur aan de wereld introduceerde[1]. In december 2022 werd Martin Kon, voormalig financieel directeur van YouTube, president en Chief Operating Officer van het bedrijf[1].

Het bedrijf heeft indrukwekkende resultaten geboekt bij het aantrekken van investeringen:

  • In 2023 werd in het kader van een Serie C-financieringsronde $270 miljoen opgehaald, wat leidde tot een bedrijfswaardering van $2,1–2,2 miljard[2].
  • In 2024 haalde het bedrijf aanvullend $500 miljoen op, waardoor de waardering steeg naar $5,5 miljard[3].

De belangrijkste investeerders van Cohere zijn PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle en Google Cloud[1][2].

Technologische stack

Retrieval-Augmented Generation (RAG)

De centrale technologie in de aanpak van Cohere is Retrieval-Augmented Generation (RAG) — generatie aangevuld met het ophalen van informatie. RAG stelt modellen in staat om in realtime toegang te krijgen tot externe kennisbanken, waardoor hun antwoorden worden verankerd in feitelijke gegevens, "hallucinaties" worden verminderd en de actualiteit van informatie wordt gewaarborgd[4]. De modellen Command R en Command A zijn speciaal geoptimaliseerd voor meerstaps gebruik van hulpmiddelen in RAG-systemen[5].

Meertaligheid

Cohere besteedt bijzondere aandacht aan meertaligheid. Het bedrijf heeft modellen ontwikkeld die zijn getraind op gegevens van moedertaalsprekers, wat zorgt voor een hoge kwaliteit. Zo ondersteunt het open model Aya meer dan 100 talen, waaronder het Russisch, en ondersteunt de Command-familie meer dan 10 belangrijke wereldtalen.

Beveiliging en implementatie

Cohere biedt flexibele implementatieopties, waaronder een SaaS-platform, private cloud-implementaties en integratie met platforms van derden (Amazon SageMaker, Google Vertex AI, Azure). Het bedrijf besteedt bijzondere aandacht aan de beveiliging van bedrijfsgegevens en biedt de mogelijkheid om te weigeren dat gegevens worden gebruikt voor training, evenals naleving van de SOC 2 Type II-norm[6].

Product- en modellenlijn

Cohere ontwikkelt verschillende typen modellen die bestemd zijn voor verschillende fasen van taalverwerking.

Command (Generatieve modellen)

Command is de vlaggenschip-familie van generatieve modellen.

  • Command A: Het meest efficiënte model (2025) met 111 miljard parameters. Ondersteunt een contextvenster van 256.000 tokens en kan draaien op slechts twee GPU's, terwijl concurrerende modellen tot 32 vereisen[7]. Vertoont een generatiesnelheid van tot 156 tokens per seconde, wat 1,75 keer sneller is dan GPT-4o[8].
  • Command R+: Een krachtig model met 104 miljard parameters en een contextvenster van 128.000 tokens. Overtreft veel vergelijkbare modellen en benadert de mogelijkheden van GPT-4 Turbo[9].
  • Command R: Een model met 35 miljard parameters, bedoeld voor conversationele taken met hoge nauwkeurigheid[10].

Gespecialiseerde modellen

  • Aya: Een open meertalig model dat meer dan 100 talen ondersteunt. Ontwikkeld met de medewerking van meer dan 3000 onderzoekers uit 119 landen[11].
  • Embed: Modellen voor het genereren van vectorrepresentaties van tekst. Embed 4 ondersteunt multimodaliteit en een contextvenster van 128.000 tokens[12].
  • Rerank: Modellen voor het verbeteren van de zoekkwaliteit in RAG-systemen.

Partnerschappen en integraties

Cohere ontwikkelt actief partnerschappen met grote technologiebedrijven, waaronder:

  • Oracle: Integratie van Cohere-technologieën in Oracle Fusion Cloud en NetSuite[13].
  • Salesforce: Inbedding van chatmogelijkheden in Salesforce-producten[1].
  • Fujitsu: Gezamenlijke ontwikkeling van het Japanse taalmodel Takane[14].
  • McKinsey: Samenwerking op het gebied van de integratie van generatieve AI in bedrijfsoperaties[1].

Toepassing in verschillende sectoren

  • Onderwijs: Cohere wordt gebruikt voor het opstellen van educatieve lesplannen, classificatie en ondersteuning van meertalige initiatieven[15][16].
  • Gezondheidszorg en wetenschap: Modellen worden toegepast voor het formuleren van wetenschappelijke protocollen, analyse van medische gegevens en ondersteuning van onderzoek[17].
  • Bedrijfsoplossingen: Automatisering van documentbeheer, gegevensanalyse, het schrijven van marketingteksten en klantenservice[5].

Zie ook

  • Grote taalmodellen

Literatuur

  • 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.

Noten

  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._(NL)&oldid=1053"