Startup Trajectory pozyskał 45 mln dolarów w rundzie Series A — TechCrunch

Startup Trajectory, który rozwija platformę do dalszego trenowania modeli sztucznej inteligencji na podstawie opinii użytkowników, pozyskał 45 mln dolarów w rundzie Series A. Wycena spółki zatrudniającej 18 osób wyniosła 300 mln dolarów. Rundzie przewodziła Sequoia, a wśród inwestorów znalazły się także Nvidia, Bessemer Venture Partners i Bain Capital Ventures, donosi TechCrunch.

Platforma do post-treningu modeli

Trajectory zostało założone około rok temu przez trzech kolegów ze studiów na Stanfordzie — Ronaka Malde, Michaela Elabda i Arjuna Karanama. Malde był wśród badaczy Windsurf zatrudnionych przez Google DeepMind, Elabd również pracował w DeepMind, a Karanam wcześniej zajmował się generatywnymi modelami bazowymi w Apple.

Firma oferuje podejście ciągłego uczenia się: przedsiębiorstwo może wziąć model open source, podłączyć go do własnych aplikacji i zbierać opinie o jakości jego działania. Trajectory wykorzystuje te dane do ponownego trenowania modelu, aby z czasem lepiej wykonywał wyspecjalizowane zadania.

Zgodnie z założeniem startupu prawnicy, lekarze i inni specjaliści branżowi mogą samodzielnie określać kryteria wysokiej jakości działania modelu i przekształcać je w jego ulepszenia. W Trajectory uważają, że może to sprawić, iż wdrażanie wyspecjalizowanej AI będzie szybsze i tańsze.

Więcej aktualnych wiadomości na kanale UA.News w Telegramie Telegram.

Klienci i konkurencja

Z platformy Trajectory korzystają już Harvey i Rogo do post-treningu modeli open source. Według firmy pomaga to systemom działać na poziomie bliższym doświadczonym prawnikom lub analitykom finansowym, między innymi analizować określone rodzaje umów lub oceniać spółki według zdefiniowanych metodologii. Wśród innych klientów wymieniono Decagon, Mercor i Nvidię.

Trajectory udostępnia również publicznie swoją platformę post-treningową. Firma uważa za konkurentów Thinking Machines Lab, które stworzyło platformę dostrajania Tinker, a także Applied Compute i Prime Intellect.

Elabd zaznaczył, że udział ludzi w trenowaniu modeli sprawia, iż to podejście jest bezpieczniejsze niż w pełni autonomiczne samodoskonalenie systemów AI, które może prowadzić do nieprzewidywalnych lub niebezpiecznych skutków.