Trajectory залучила $45 млн для спрощення навчання ШІ-моделей
Сучасні моделі штучного інтелекту, незалежно від того, чи розроблені вони OpenAI, Anthropic, чи побудовані на базі відкритих рішень, мають суттєве обмеження: вони не навчаються на своїх помилках без додаткового тренування.
Компанії, що адаптують ці моделі для спеціалізованих галузей, як-от право чи фінанси, зазвичай долають цю проблему шляхом доналаштування (fine-tuning) загальних моделей. Однак це часто вимагає найму внутрішніх дослідницьких команд або залучення дорогих консультантів, відомих як інженери з розгортання (forward-deployed engineers, FDEs).
Trajectory, стартап, заснований близько року тому трьома випускниками Стенфорду з досвідом роботи в Google DeepMind та Apple, прагне автоматизувати цей процес, дозволяючи моделям ШІ вчитися на зворотний зв’язок та постійно вдосконалюватися у виконанні специфічних завдань.
Компанія, що налічує 18 співробітників, щойно оголосила про залучення 45 мільйонів доларів у рамках раунду фінансування Серії А з оцінкою у 300 мільйонів доларів. Раунд очолила Sequoia за участі Nvidia, Bessemer Venture Partners та Bain Capital Ventures.
Співзасновник Trajectory Ронак Малде порівняв фундаментальні моделі з дуже розумним аспірантом, який щоразу починає нову роботу. «Але для економіки цінний той, хто пропрацював на своїй посаді 30 років», — сказав він TechCrunch.
Стартап має на меті вирішити цю проблему за допомогою підходу, відомого як безперервне навчання (continual learning). Компанії, що використовують Trajectory, можуть почати з моделі ШІ з відкритим вихідним кодом і підключити платформу до своїх застосунків, що дозволить їй збирати відгуки про ефективність роботи моделі. Потім Trajectory використовує цю інформацію для перенавчання моделі, допомагаючи їй з часом вдосконалюватися у виконанні специфічних завдань.
Завдяки Trajectory юристи, лікарі та інші фахівці зможуть майже автоматично самостійно покращувати моделі, зазначив Малде. Ця можливість може зробити розгортання спеціалізованого ШІ швидшим і дешевшим.
Такі компанії, як Harvey та Rogo, вже використовують платформу Trajectory для постобробки (post-training) моделей з відкритим вихідним кодом, допомагаючи їм працювати більш подібно до досвідчених юристів чи фінансових аналітиків, навчаючись на попередніх завданнях, таких як перегляд певного типу юридичних контрактів або оцінка компанії за конкретною методологією. Серед інших клієнтів Trajectory – Decagon, Mercor та Nvidia. Наразі стартап робить свою платформу постобробки загальнодоступною.
«Люди, які використовують Trajectory, визначають, як виглядає “добре” для їхньої організації, і можуть перетворити це на покращення для своєї моделі», — сказав Малде.
Підхід Trajectory до безперервного навчання має певні спільні риси з рекурсивним самовдосконаленням (recursive self-improvement, RSI) — ідеєю про те, що 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 непередбачуваних або навіть небезпечних наслідків.
Trajectory — не єдиний стартап, що намагається автоматизувати постобробку. Серед інших компаній, що працюють на цьому ринку, — Thinking Machines Lab, заснована колишнім технічним директором OpenAI Мірою Мураті, компанія-розробник платформи доналаштування Tinker, Applied Compute, яка минулого місяця отримала оцінку в 3,25 мільярда доларів, та Prime Intellect — платформа, що допомагає компаніям створювати та тренувати власних ШІ-агентів.
Малде вважає, що головною перевагою стартапу є його команда. Він був одним із небагатьох дослідників, яких Google DeepMind придбав шляхом acqui-hire з Windsurf. Елабд також працював у DeepMind, тоді як третій співзасновник Trajectory, Арджун Каганам, раніше працював над фундаментальними генеративними моделями в Apple. Стартап також залучив дослідників і дизайнерів продуктів з OpenAI, Stripe та Netflix.
Чому дизайн має таке велике значення для компанії, зосередженої на тренуванні ШІ? Каганам каже, що стартап розробив інтерфейс, який робить постобробку більш доступною для нетехнічних клієнтів.
Подробиці можна знайти на сайті: techcrunch.com