Стартап Trajectory привлек $45 млн в раунде Series A — TechCrunch
Стартап Trajectory, разрабатывающий платформу для дообучения моделей искусственного интеллекта на основе отзывов пользователей, привлек $45 млн в раунде Series A. Оценка компании со штатом 18 человек составила $300 млн. Раунд возглавила Sequoia, а среди инвесторов также Nvidia, Bessemer Venture Partners и Bain Capital Ventures, сообщает TechCrunch.
Платформа для посттренировки моделей
Trajectory был основан около года назад тремя однокурсниками из Стэнфорда — Ронаком Малде, Майклом Элабдом и Арджуном Каранамом. Малде был среди исследователей Windsurf, которых наняла Google DeepMind, Элабд также работал в DeepMind, а Каранам ранее занимался генеративными базовыми моделями в Apple.
Компания предлагает подход непрерывного обучения: бизнес может взять модель с открытым исходным кодом, подключить ее к собственным приложениям и собирать отзывы о качестве ее работы. Trajectory использует эти данные для повторного обучения модели, чтобы со временем она лучше выполняла специализированные задачи.
По замыслу стартапа юристы, врачи и другие профильные специалисты могут самостоятельно определять критерии качественной работы модели и превращать их в ее улучшения. В Trajectory считают, что это может сделать развертывание специализированного ИИ быстрее и дешевле.
Больше актуальных новостей — в Telegram-канале UA.News Telegram.
Клиенты и конкуренция
Платформой Trajectory уже пользуются Harvey и Rogo для посттренировки моделей с открытым исходным кодом. По данным компании, это помогает системам работать ближе к уровню опытных юристов или финансовых аналитиков, в частности анализировать определенные типы контрактов или оценивать компании по заданным методикам. Среди других клиентов названы Decagon, Mercor и Nvidia.
Trajectory также делает свою платформу посттренировки публично доступной. Компания считает конкурентами Thinking Machines Lab, создавшую платформу тонкой настройки Tinker, а также Applied Compute и Prime Intellect.
Элабд отметил, что участие людей в обучении моделей делает этот подход безопаснее, чем полностью автономное самосовершенствование систем ИИ, которое может привести к непредсказуемым или опасным последствиям.
