Modelele AI de azi au o limită stânjenitoare: oricât de deștepte ar fi, nu învață din propriile greșeli fără un nou ciclu de antrenare. Un startup de un an vrea să schimbe asta și tocmai a primit 45 de milioane de dolari ca să încerce.

Trajectory, companie fondată acum aproximativ un an de trei colegi de la Stanford, a anunțat o rundă de finanțare Series A de 45 de milioane de dolari, la o evaluare de 300 de milioane. Runda a fost condusă de Sequoia, cu participarea Nvidia, Bessemer Venture Partners și Bain Capital Ventures. Compania are doar 18 angajați.

Promisiunea e simplă: modelele AI specializate ar trebui să poată fi îmbunătățite aproape automat, chiar de către oamenii care cunosc domeniul, nu de echipe de cercetători. Conform TechCrunch, cei trei fondatori au experiență la Google DeepMind și Apple.

PROBLEMA: AI-UL CARE NU ÎNVAȚĂ DIN GREȘELI

Indiferent dacă vorbim de modele dezvoltate de OpenAI sau Anthropic ori de alternative open source, toate împărtășesc aceeași slăbiciune. Odată lansate, nu învață din erorile lor fără antrenare suplimentară.

Firmele care adaptează aceste modele pentru domenii precum dreptul sau finanțele rezolvă de obicei problema prin fine-tuning, adică ajustarea unui model general. Asta înseamnă fie angajarea unor echipe interne de cercetare, fie apelul la consultanți scumpi, cunoscuți în industrie drept forward-deployed engineers (FDE).

Trajectory vrea să automatizeze exact acest proces, astfel încât modelele să învețe din feedback și să devină tot mai bune la sarcini specializate.

CUM FUNCȚIONEAZĂ

Abordarea se numește continual learning, adică învățare continuă. O companie pornește de la un model open source și conectează platforma Trajectory la aplicațiile ei. Platforma colectează feedback despre cum se comportă modelul, apoi folosește informațiile ca să-l reantreneze, iar modelul se îmbunătățește în timp la sarcinile specifice.

Co-fondatorul Ronak Malde a explicat ideea cu o comparație: modelele de bază sunt ca un student foarte inteligent la doctorat care începe mereu un job nou. «Dar economia prețuiește pe cineva care a lucrat 30 de ani în meserie», a spus el pentru TechCrunch.

CEI CARE O FOLOSESC DEJA

Platforma nu e doar o promisiune. Companii precum Harvey și Rogo o folosesc deja pentru post-antrenarea modelelor open source, ca acestea să se comporte mai mult ca niște avocați sau analiști financiari cu experiență. Modelele învață din sarcini anterioare, cum ar fi analiza unui anumit tip de contract sau evaluarea unei companii printr-o metodologie specifică.

Printre clienții Trajectory se mai numără Decagon, Mercor și chiar Nvidia. Startupul și-a deschis acum platforma de post-antrenare pentru public.

CEL MAI IMPORTANT DETALIU: CINE DECIDE CE E «BINE»

Aici e miezul poveștii. Potrivit lui Malde, oamenii care folosesc Trajectory decid «cum arată binele pentru organizația lor» și pot transforma asta în îmbunătățiri ale modelului. Cu alte cuvinte, un avocat, un medic sau un specialist în finanțe poate îmbunătăți un model fără să scrie cod.

Semnificația pentru piața muncii e dublă. Pe de o parte, expertiza de domeniu devine mai valoroasă: cine știe ce înseamnă un contract bun sau o evaluare corectă poate transmite direct această cunoaștere unui AI. Pe de altă parte, rolul consultanților FDE, care acum fac acest transfer manual, ar putea fi comprimat dacă un instrument reușește să facă același lucru singur.

Asta explică și de ce investitorii se înghesuie. Costul și viteza de implementare ale AI-ului specializat sunt acum frâna principală pentru multe companii, iar cine o elimină atinge o piață uriașă.

APROPIAT DE AUTO-ÎMBUNĂTĂȚIREA AI, DAR CU OAMENI ÎN BUCLĂ

Abordarea seamănă într-o oarecare măsură cu auto-îmbunătățirea recursivă (RSI), ideea că sistemele AI își pot crește singure capacitățile. Co-fondatorul Michael Elabd susține însă că menținerea oamenilor în procesul de antrenare face metoda mai sigură, pentru că auto-îmbunătățirea complet autonomă ar putea duce la rezultate neintenționate sau chiar periculoase.

CONCURENȚA NU DOARME

Trajectory nu e singura care încearcă să automatizeze post-antrenarea. Compania își consideră concurenți direcți Thinking Machines Lab, înființată de Mira Murati, fosta CTO a OpenAI, compania din spatele platformei Tinker. Pe listă mai apare Applied Compute, evaluată luna trecută la 3,25 miliarde de dolari, și Prime Intellect, care ajută firmele să-și construiască și antreneze proprii agenți AI.

Malde crede că avantajul cel mai mare al startupului este echipa. El însuși a fost printre puținii cercetători preluați de Google DeepMind de la Windsurf. Elabd a lucrat și el la DeepMind, iar al treilea co-fondator, Arjun Karanam, a lucrat anterior la modele generative de bază la Apple. Startupul a mai recrutat cercetători și designeri de produs de la OpenAI, Stripe și Netflix.

DE CE CONTEAZĂ DESIGNUL ÎNTR-O COMPANIE DE ANTRENARE AI

Întrebarea apare firesc: de ce ar conta designul pentru o firmă axată pe antrenarea AI? Răspunsul lui Karanam este că startupul a construit o interfață care face post-antrenarea accesibilă clienților fără pregătire tehnică. Tocmai asta e pariul: nu algoritmul în sine, ci faptul că un non-inginer îl poate folosi.

CE URMEAZĂ

Rămâne de văzut dacă promisiunea se ține la scară mare. Faptul că un startup de un an, cu 18 oameni, a ajuns la o evaluare de 300 de milioane arată însă încotro merge piața: valoarea se mută de la construirea modelelor către adaptarea lor la meserii concrete. Iar dacă adaptarea poate fi făcută de oamenii care cunosc meseria, granița dintre «cei care construiesc AI» și «cei care îl folosesc» devine mai subțire ca niciodată.