Trajectory набира 45 млн. долара, за да направи обучението на AI модели достъпно за нетехнически експерти

Независимо дали са разработени от OpenAI или Anthropic, или са изградени върху алтернативи с отворен код, съвременните AI модели споделят едно критично ограничение: Те не се учат от грешките си без допълнително обучение.

Бизнесите, които адаптират тези модели за специализирани области като право и финанси, обикновено заобикалят този проблем чрез дообучаване на общи модели. Това обаче често изисква наемането на вътрешни изследователски екипи или разчитането на скъпи консултанти, широко известни като инженери за работа на място (FDEs).

Trajectory, стартъп, основан преди около година от трима състуденти от Станфорд с опит в Google DeepMind и Apple, иска да автоматизира този процес, позволявайки на AI моделите да се учат от обратната връзка и непрекъснато да подобряват представянето си при специализирани задачи.

Компанията с 18 служители току-що обяви, че е набрала 45 милиона долара в рунд Series A при оценка от 300 милиона долара, воден от Sequoia, с участието на Nvidia, Bessemer Venture Partners и Bain Capital Ventures.

Съоснователят на Trajectory Ронак Малде сравни базовите модели с много умен докторант, който винаги започва нова работа. „Но това, което икономиката цени, е човек, който е работил на една и съща работа в продължение на 30 години“, каза той пред TechCrunch.

Стартъпът цели да реши този проблем чрез подход, известен като непрекъснато обучение. Бизнесите, които използват Trajectory, могат да започнат с AI модел с отворен код и да свържат платформата с приложенията си, позволявайки ѝ да събира обратна връзка за представянето на модела. След това Trajectory използва тази информация, за да дообучи модела и да му помогне с времето да подобрява представянето си при специализирани задачи.

С Trajectory адвокати, лекари и други специалисти могат почти автоматично сами да подобряват моделите, каза Малде. Тази възможност би могла да направи внедряването на специализиран AI по-бързо и по-евтино.

Компании като Harvey и Rogo вече използват платформата на Trajectory за дообучаване на модели с отворен код, като им помагат да се представят повече като опитни адвокати или финансови анализатори, учейки се от предишни задачи, като например преглед на определен вид правен договор или оценяване на компания чрез конкретна методология. Сред другите клиенти на Trajectory са Decagon, Mercor и Nvidia. Сега стартъпът предоставя публичен достъп до платформата си за дообучаване.

Хората, които използват Trajectory, решават „как изглежда доброто представяне за тяхната организация и могат да превърнат това в подобрения за своя модел“, каза Малде.

Подходът на Trajectory към непрекъснатото обучение споделя някои прилики с рекурсивното самоусъвършенстване (RSI) — идеята, че AI системите могат да подобряват собствените си способности. Но съоснователят Майкъл Елабд твърди, че запазването на човешкото участие в процеса на обучение прави подхода на Trajectory по-безопасен, тъй като автономното самоусъвършенстване би могло да доведе до непредвидени или дори опасни резултати.

Trajectory не е единственият стартъп, който се опитва да автоматизира дообучаването. Той счита Thinking Machines Lab, основана от бившия технически директор на OpenAI Мира Мурати и компанията, стояща зад платформата за фино настройване Tinker, за пряк конкурент, наред с Applied Compute, оценена на 3,25 милиарда долара миналия месец, и Prime Intellect, която помага на компаниите да изграждат и обучават собствени AI агенти.

Малде смята, че най-голямото предимство на стартъпа е неговият екип. Той е сред малцината изследователи, които Google DeepMind нае чрез придобиване на екипа от Windsurf. Елабд също е работил в DeepMind, докато третият съосновател на Trajectory, Арджун Каранам, преди това е работил върху генеративни базови модели в Apple. Стартъпът също така е привлякъл изследователи и продуктови дизайнери от OpenAI, Stripe и Netflix.

Защо дизайнът е толкова важен за компания, фокусирана върху обучението на AI? Каранам казва, че стартъпът е разработил интерфейс, който прави дообучаването по-достъпно за нетехническите му клиенти.