استارتاپ Trajectory با جذب سرمایه ۴۵ میلیون دلاری، آموزش مدل‌های هوش مصنوعی را برای متخصصان غیرفنی ساده می‌کند

مدل‌های کنونی هوش مصنوعی، چه توسط شرکت‌هایی مانند OpenAI و Anthropic توسعه یافته باشند و چه بر پایه گزینه‌های متن‌باز ساخته شوند، یک نقطهضعف اساسی دارند: این مدل‌ها بدون پشت سر گذاشتن آموزش‌های تکمیلی، هرگز از اشتباهات خود درس نمی‌گیرند.

کسبوکارهایی که قصد دارند این مدل‌ها را برای زمینه‌های تخصصی مانند حقوق و امور مالی بهکار بگیرند، معمولاً از روش تنظیم دقیق (Fine-tuning) مدل‌های عمومی استفاده می‌کنند. با این حال، اجرای این کار اغلب نیازمند استخدام تیم‌های تحقیقاتی داخلی یا تکیه بر مشاوران پرهزین‌های است که به‌عنوان مهندسان استقرار میدانی (FDE) شناخته می‌شوند.

استارتاپ Trajectory که حدود یک سال پیش توسط سه همکلاسی دانشگاه استنفورد با سابقه فعالیت در Google DeepMind و اپل تأسیس شد، در پی خودکارسازی همین فرآیند است تا مدل‌های هوش مصنوعی بتوانند با دریافت بازخورد، مهارت‌های خود را در وظایف تخصصی به‌طور مداوم بهبود دهند.

این شرکت ۱۸ نفره به‌تازگی اعلام کرده است که در دور سرمایه‌گذاری سری A موفق به جذب ۴۵ میلیون دلار با ارزش‌گذاری ۳۰۰ میلیون دلار شده است؛ این دور به رهبری Sequoia و با مشارکت انویدیا، Bessemer Venture Partners و Bain Capital Ventures انجام شد.

روناک مالده (Ronak Malde)، یکی از بنیانگذاران Trajectory، مدل‌های پایه را به دانشجوی دکترای بسیار باهوشی تشبیه می‌کند که مدام کار جدیدی را آغاز می‌کند. او در این باره می‌گوید: «اما آنچه در اقتصاد ارزش واقعی دارد، فردی است که ۳۰ سال در یک شغل مشخص تجربه کاری اندوخته باشد.»

این استارتاپ تلاش دارد این چالش را با رویکردی موسوم به یاد‌گیری مستمر (Continual Learning) برطرف کند. کسبوکارهایی که از Trajectory استفاده می‌کنند می‌توانند کار خود را با یک مدل هوش مصنوعی متن‌باز آغاز کرده و این پلتفرم را به برنامه‌های کاربردی خود متصل کنند تا نحوه عملکرد مدل و بازخوردها ثبت شود. سپس Trajectory از این اطلاعات برای بازآموزی مدل بهره می‌گیرد تا توانایی آن در انجام وظایف تخصصی به‌مرور زمان تقویت شود.

به گفته مالده، با استفاده از Trajectory، وکلا، پزشکان و سایر متخصصان می‌توانند خودشان مدل‌ها را تقریباً به‌صورت خودکار ارتقا دهند. این قابلیت می‌تواند استقرار هوش مصنوعی تخصصی را بهمراتب سریع‌تر و کمهزینهتر کند.

شرکت‌هایی نظیر Harvey و Rogo هم‌اکنون از پلتفرم Trajectory برای پساآموزش (Post-training) مدل‌های متن‌باز استفاده می‌کنند. این کار به مدل‌ها کمک می‌کند با درس گرفتن از وظایف پیشین، عملکردی شبیه به وکلای باسابقه یا تحلیلگران مالی مجرب داشته باشند؛ وظایفی مانند بررسی نوع خاصی از قراردادهای حقوقی یا ارزش‌گذاری شرکت‌ها با روشی مشخص. از دیگر مشتریان Trajectory میتوان به Decagon، Mercor و انویدیا اشاره کرد. این استارتاپ اکنون دسترسی عمومی به پلتفرم پساآموزش خود را فراهم کرده است.

مالده خاطرنشان می‌کند کاربرانی که از Trajectory استفاده می‌کنند خودشان تصمیم می‌گیرند که «کیفیت مطلوب برای سازمان آنها چگونه است و می‌توانند همان معیار را به ارتقای عملکرد مدل خود تبدیل کنند.»

رویکرد Trajectory در یاد‌گیری مستمر شباهت‌هایی با مفهوم خودبهبودبخشی بازگشتی (RSI) دارد؛ ایده‌ای که طبق آن سیستم‌های هوش مصنوعی می‌توانند توانایی‌های خود را ارتقا دهند. اما مایکل العبد (Michael Elabd)، یکی دیگر از بنیانگذاران این استارتاپ، معتقد است حفظ نقش انسان در چرخه آموزش باعث ایمن‌تر شدن روش Trajectory می‌شود؛ چراکه خودبهبودبخشی کاملاً خودکار می‌تواند پیامدهای ناخواسته یا حتی خطرناکی به‌همراه داشته باشد.

استارتاپ Trajectory تنها شرکتی نیست که بهدنبال خودکارسازی فرآیند پساآموزش است. این استارتاپ شرکت Thinking Machines Lab را که توسط میرا موراتی (Mira Murati)، مدیر ارشد فناوری سابق OpenAI تأسیس شده و توسعه‌دهنده پلتفرم تنظیم دقیق Tinker است، رقیب مستقیم خود می‌داند. علاوه بر آن، استارتاپ Applied Compute که ماه گذشته ۳٫۲۵ میلیارد دلار ارزش‌گذاری شد و هم‌چنین Prime Intellect که در ساخت و آموزش ایجنت‌های هوش مصنوعی به شرکت‌ها کمک می‌کند، از دیگر رقبای این مجموعه به‌شمار می‌روند.

مالده بزرگ‌ترین مزیت این استارتاپ را تیم آن می‌داند. او از معدود پژوهشگرانی بود که پس از تصاحب استارتاپ Windsurf توسط Google DeepMind، به این آزمایشگاه پیوست. العبد نیز سابقه کار در DeepMind را در کارنامه دارد و آرجون کارانام (Arjun Karanam)، سومین بنیانگذار Trajectory، پیشتر روی مدل‌های پایه مولد در اپل کار کرده است. این استارتاپ هم‌چنین پژوهشگران و طراحان محصولی از شرکت‌های OpenAI، Stripe و Netflix را به خدمت گرفته است.

اما چرا طراحی محصول برای شرکتی که روی آموزش هوش مصنوعی متمرکز است اهمیت فراوانی دارد؟ کارانام توضیح می‌دهد که این استارتاپ رابط کاربری ویژهای توسعه داده است تا فرآیند پساآموزش برای مشتریان غیرفنی کاملاً ساده و در دسترس باشد.