Trajectory залучила $45 млн, щоб зробити навчання моделей ШІ доступним для нетехнічних фахівців

Незалежно від того, чи розроблені вони OpenAI або Anthropic, чи створені на основі альтернатив із відкритим кодом, сучасні моделі ШІ мають критичне обмеження: вони не вчаться на своїх помилках без додаткового навчання.

Компанії, які адаптують ці моделі для спеціалізованих галузей, як-от права та фінанси, зазвичай обходять це обмеження шляхом донавчання загальних моделей. Однак для цього часто потрібно наймати внутрішні дослідницькі команди або покладатися на дорогих консультантів, яких зазвичай називають інженерами прямого впровадження (FDE).

Trajectory — стартап, заснований близько року тому трьома однокурсниками зі Стенфорда, які мають досвід роботи в Google DeepMind та Apple, — хоче автоматизувати цей процес, даючи моделям ШІ змогу вчитися на зворотному зв’язку та безперервно вдосконалюватися у виконанні спеціалізованих завдань.

Компанія, у якій працює 18 людей, щойно оголосила про залучення $45 млн у раунді Series A за оцінки в $300 млн. Раунд очолила Sequoia, до нього також долучилися Nvidia, Bessemer Venture Partners і Bain Capital Ventures.

Співзасновник Trajectory Ронак Малде порівняв базові моделі з дуже розумним аспірантом, який постійно починає нову роботу. «Але економіка цінує того, хто пропрацював на цій роботі 30 років», — сказав він TechCrunch.

Стартап прагне розв’язати цю проблему за допомогою підходу, відомого як безперервне навчання. Компанії, які використовують Trajectory, можуть почати з моделі ШІ з відкритим кодом і під’єднати платформу до своїх застосунків, дозволивши їй збирати відгуки про роботу моделі. Потім Trajectory використовує цю інформацію для повторного навчання моделі, допомагаючи їй із часом удосконалюватися у виконанні спеціалізованих завдань.

За словами Малде, завдяки Trajectory юристи, лікарі та інші фахівці можуть майже автоматично самостійно вдосконалювати моделі. Ця можливість може зробити впровадження спеціалізованого ШІ швидшим і дешевшим.

Такі компанії, як Harvey і Rogo, уже використовують платформу Trajectory для посттренування моделей із відкритим кодом, допомагаючи їм працювати більше як досвідчені юристи або фінансові аналітики, навчаючись на попередніх завданнях, наприклад перевірці певного типу юридичного договору або оцінюванні компанії за конкретною методологією. Серед інших клієнтів Trajectory — Decagon, Mercor і Nvidia. Тепер стартап робить свою платформу посттренування загальнодоступною.

Користувачі Trajectory визначають, «як виглядає хороший результат для їхньої організації, і можуть перетворити це на вдосконалення своєї моделі», — сказав Малде.

Підхід Trajectory до безперервного навчання має певні спільні риси з рекурсивним самовдосконаленням (RSI) — ідеєю, згідно з якою системи ШІ можуть покращувати власні можливості. Однак співзасновник Майкл Елабд стверджує, що залучення людей до процесу навчання робить підхід Trajectory безпечнішим, оскільки автономне самовдосконалення може призвести до непередбачених або навіть небезпечних наслідків.

Trajectory — не єдиний стартап, який намагається автоматизувати посттренування. Компанія вважає прямим конкурентом Thinking Machines Lab, засновану колишньою технічною директоркою OpenAI Мірою Мураті, а також компанію, що створила платформу донавчання Tinker. До конкурентів також належать Applied Compute, оцінена минулого місяця в $3,25 млрд, і Prime Intellect, яка допомагає компаніям створювати й навчати власних ШІ-агентів.

Малде вважає, що найбільша перевага стартапу — це його команда. Він був одним із небагатьох дослідників, яких Google DeepMind найняла після придбання Windsurf. Елабд також працював у DeepMind, тоді як третій співзасновник Trajectory, Арджун Каранам, раніше займався генеративними базовими моделями в Apple. Стартап також залучив дослідників і дизайнерів продуктів з OpenAI, Stripe та Netflix.

Чому дизайн настільки важливий для компанії, зосередженої на навчанні ШІ? Каранам каже, що стартап розробив інтерфейс, який робить посттренування доступнішим для його нетехнічних клієнтів.