Trajectory ۴۵ میلیون دلار جمع‌آوری می‌کند تا آموزش مدل‌های هوش مصنوعی را برای کارشناسان غیرفنی در دسترس قرار دهد

مدل‌های فعلی هوش مصنوعی چه توسط OpenAI یا Anthropic توسعه یافته باشند و چه بر روی جایگزین‌های منبع باز ساخته شده‌اند، یک محدودیت مهم مشترک دارند: آنها بدون آموزش بیشتر از اشتباهات خود درس نمی‌گیرند.

کسب‌وکارهایی که این مدل‌ها را برای رشته‌های تخصصی، مانند حقوق و امور مالی تطبیق می‌دهند، معمولاً با تنظیم دقیق مدل‌های عمومی، این موضوع را برطرف می‌کنند. با این حال، این اغلب مستلزم استخدام تیم های تحقیقاتی داخلی یا تکیه بر مشاوران گران قیمت است که معمولاً به عنوان مهندسان مستقر در آینده (FDE) شناخته می شوند.

مسیر حرکتاستارت آپی که حدود یک سال پیش توسط سه همکلاسی استنفورد با تجربه در گوگل دیپ مایند و اپل تاسیس شد، می‌خواهد این فرآیند را خودکار کند و به مدل‌های هوش مصنوعی اجازه دهد از بازخوردها بیاموزند و به طور مداوم در کارهای تخصصی پیشرفت کنند.

این شرکت 18 نفره به تازگی اعلام کرد که در یک دور سری A با ارزش 300 میلیون دلاری، به رهبری سکویا، با مشارکت Nvidia، Bessemer Venture Partners و Bain Capital Ventures، 45 میلیون دلار جمع آوری کرده است.

روناک مالده، یکی از بنیانگذاران Trajectory، مدل های پایه را با یک دانشجوی دکتری بسیار باهوش مقایسه کرد که همیشه در حال شروع یک شغل جدید است. او به TechCrunch گفت: «اما آنچه اقتصاد ارزش دارد شخصی است که 30 سال روی این شغل کار کرده است.

هدف این استارتاپ حل این مشکل از طریق رویکردی به نام یادگیری مستمر است. کسب‌وکارهایی که از Trajectory استفاده می‌کنند می‌توانند با یک مدل AI منبع باز شروع کنند و پلتفرم را به برنامه‌های کاربردی خود متصل کنند و به آن اجازه می‌دهند در مورد نحوه عملکرد مدل بازخورد جمع‌آوری کنند. سپس Trajectory از این اطلاعات برای آموزش مجدد مدل استفاده می‌کند و به بهبود آن در کارهای تخصصی در طول زمان کمک می‌کند.

مالد گفت: با Trajectory، وکلا، پزشکان و سایر متخصصان می توانند مدل ها را به طور خودکار بهبود بخشند. این قابلیت می‌تواند استقرار هوش مصنوعی تخصصی را سریع‌تر و ارزان‌تر کند.

شرکت‌هایی مانند هاروی و روگو در حال حاضر از پلتفرم Trajectory برای آموزش مدل‌های منبع باز استفاده می‌کنند و به آن‌ها کمک می‌کنند با یادگیری از وظایف قبلی، مانند بررسی نوع خاصی از قرارداد قانونی یا ارزش‌گذاری شرکت با استفاده از روش‌شناسی خاص، عملکردی شبیه به وکلا یا تحلیلگران مالی با تجربه داشته باشند. از دیگر مشتریان Trajectory می توان به Decagon، Mercor و Nvidia اشاره کرد. این استارتاپ اکنون پلتفرم پس از آموزش خود را در دسترس عموم قرار داده است.

مالد گفت، افرادی که از Trajectory استفاده می‌کنند تصمیم می‌گیرند که «برای سازمانشان چه چیزی خوب به نظر می‌رسد و می‌توانند آن را به بهبود مدل خود تبدیل کنند».

رویکرد Trajectory به یادگیری مداوم شباهت هایی با خود-بهبودی بازگشتی (RSI) دارد، این ایده که سیستم های هوش مصنوعی می توانند قابلیت های خود را بهبود بخشند. اما یکی از بنیانگذاران مایکل الابد استدلال می کند که درگیر نگه داشتن انسان ها در فرآیند آموزش، رویکرد Trajectory را ایمن تر می کند، زیرا خود-بهبودی مستقل می تواند منجر به نتایج ناخواسته یا حتی خطرناک شود.

Trajectory تنها استارتاپی نیست که تلاش می کند تا پس از آموزش را خودکار کند. شرکت‌های دیگری که دنبال این بازار هستند عبارتند از Thinking Machines Lab که توسط میرا موراتی CTO سابق OpenAI و شرکت پشت پلتفرم تنظیم دقیق Tinker، Applied Compute که در ماه گذشته 3.25 میلیارد دلار ارزش داشت و Prime Intellect، پلتفرمی که به شرکت‌ها کمک می‌کند تا عوامل هوش مصنوعی خود را بسازند و آموزش دهند.

مالده معتقد است بزرگترین مزیت این استارتاپ این است تیمش. او یکی از معدود محققانی بود که Google DeepMind acqui از Windsurf استخدام کرده بود. الابد همچنین در DeepMind کار می کرد، در حالی که سومین بنیانگذار Trajectory، Arjun Karanam، قبلاً روی مدل های پایه مولد در اپل کار می کرد. این استارتاپ همچنین محققان و طراحان محصول را از OpenAI، Stripe و Netflix جذب کرده است.

چرا طراحی برای شرکتی که بر آموزش هوش مصنوعی متمرکز است اهمیت زیادی دارد؟ کارانام می‌گوید این استارت‌آپ رابطی ایجاد کرده است که پس از آموزش را برای مشتریان غیر فنی خود در دسترس‌تر می‌کند.