JigsawStack

JigsawStackのモデルは1つ1つが単一の作業のためにトレーニングされている。同社によれば、同じことをプロンプトで求めた汎用モデルより速く、ムラなく動く。スクレイピングのモデルはページの読み方を知っている。OCRのモデルは文書の読み方を知っている。すべてを兼ねる共通エンドポイントではなく、モデルごとに専用APIと専用の基盤を用意する。実際の効果は、実行をまたいでも出力の形が安定することだ。書かずに済む検証コードがその分減る。

どのモデルも呼び出しのたびに同じ構造の応答を返す。構造を定義する必要がある作業では、構造を自分で指定できる。この一貫性は、後から載せたスキーマではなく、モデルのトレーニングの仕方から来ている。バックエンドの仕事では、単なる賢さよりこれが効く。後続のコードが予測できる項目に依存するからだ。OCRとウェブスクレイピングの両ページとも、ユーザー定義の構造化出力における高精度を目玉に掲げている。

AIウェブスクレイパーは、プロンプトで指定したURLから特定のデータを抜き出す。ページのHTMLを知らなくても、価格やレビューを取れる。動的なサイトにも対応し、指定した国のプロキシ経由で閲覧できるため、地域別の価格や旅行サイトで役立つ。ウェブ検索APIが返すのはリンクの一覧ではなく、AIに読ませる前提で構造化し文脈を付けた結果だ。位置情報や検索候補も加わり、オートコンプリート欄に使える。

vOCRはあらゆる種類の文書からテキストを読み、一貫した構造で返す。土台は微調整した視覚モデルだ。同社は、KYCの自動化、不正検知、アクセシビリティ、機微な医療・法務文書を主な用途に挙げる。物体検出APIは画像と画面を対象にし、コンピュータ操作にも向く。モデルがGUIを見て、エージェントがクリックすべきボタンや入力欄を見つける仕組みだ。建設現場の安全と小売の在庫管理も挙げられている。

この一式は、モデル全体で160以上の言語に対応するとうたう。音声テキスト化APIはWhisper large v3を使い、100以上の言語を文字起こしする。多言語は後付けの機能ではなく中心的な売りとして扱われ、トレーニングデータは世界各地から集める。マイナーな言語でも精度が崩れないようにする狙いだ。英語以外の市場に出すチームにとって、この広さこそこの一式を選ぶ理由になる。

JigsawStackはPythonとJavaScript/TypeScript向けに完全な型付きSDKを提供する。加えてPHP、Ruby、Go、Java、Swift、Dart、Kotlin、C#、素のcURLのスニペットもそろう。Vercel AI SDK、LangChain、Zapier、n8n、Google Sheets、Postman、Hugging Face、Replicateとつながるため、すでに使っている構成に収まる。ダッシュボードにはリアルタイムのログと分析があり、セッション、国、IPほかのデータ点を扱う。APIキーごとの権限でアクセスも制御できる。

基盤はサーバーレスで動き、200ミリ秒未満で数十億件の同時リクエストをさばくと同社はいう。スマートキャッシュでコストと遅延を抑え、90以上の分散GPUを使える。Enterpriseでは99.9%のSLA、SOC 2、無制限のログ保持、専任のサポート担当、カスタムデプロイ、セルフホストの選択肢が加わる。最後の点は、文書を第三者に送れないチームにとって重要だ。