Trajectory با ۴۵ میلیون دلار، آموزش مدل‌های هوش مصنوعی را ساده می‌کند

استارتاپ Trajectory که حدود یک سال پیش توسط سه همکلاسی دانشگاه استنفورد با تجربه در Google DeepMind و Apple تأسیس شده، ۴۵ میلیون دلار در دور سری A با ارزش‌گذاری ۳۰۰ میلیون دلار جذب کرده است. به گزارش TechCrunch، این دور توسط Sequoia رهبری شد و Nvidia، Bessemer Venture Partners و Bain Capital Ventures در آن مشارکت داشتند. شرکت ۱۸ نفره می‌خواهد فرایند آموزش و بهبود مدل‌های هوش مصنوعی برای کارهای تخصصی را خودکار کند تا متخصصان غیرفنی بتوانند مدل‌ها را بهبود دهند.

جزئیات

Trajectory به کسب‌وکارها اجازه می‌دهد با یک مدل متن‌باز شروع کنند و پلتفرم را به اپلیکیشن‌های خود متصل کنند تا بازخورد عملکرد مدل جمع‌آوری شود؛ سپس با آن اطلاعات مدل را دوباره آموزش می‌دهد. بنیان‌گذار Ronak Malde گفت مدل‌های پایه شبیه دانشجوی دکترای بسیار باهوشی هستند که همیشه کار جدیدی را شروع می‌کند، در حالی که اقتصاد به کسی ارزش می‌دهد که ۳۰ سال در یک شغل کار کرده است. به گفته او، وکلا، پزشکان و دیگر متخصصان می‌توانند تقریباً به‌طور خودکار مدل‌ها را بهبود دهند. شرکت‌های Harvey و Rogo از پلتفرم برای آموزش پس‌از-آموزش مدل‌های متن‌باز استفاده می‌کنند تا عملکردی شبیه وکیل یا تحلیلگر مالی باتجربه داشته باشند. دیگر مشتریان Decagon، Mercor و Nvidia هستند و پلتفرم آموزش پس‌از-آموزش اکنون به‌صورت عمومی در دسترس است. کاربران خودشان تعیین می‌کنند «خوب بودن» برای سازمانشان چه معنایی دارد و آن را به بهبود مدل تبدیل می‌کنند.

این شرکت چه می‌کند

Trajectory روی یادگیری مستمر تمرکز دارد. به جای استخدام تیم‌های تحقیقاتی داخلی یا متکی بودن به مهندسان مستقر در محل مشتری، کسب‌وکارها می‌توانند مدل‌ها را با بازخورد واقعی بهبود دهند. رویکرد آن شباهت‌هایی با بهبود خودکار بازگشتی دارد، اما Michael Elabd می‌گوید حفظ انسان در فرایند آموزش، رویکرد را امن‌تر می‌کند چون بهبود خودمختار می‌تواند پیامدهای ناخواسته یا حتی خطرناک داشته باشد. Trajectory رقبایی چون Thinking Machines Lab، شرکت Mira Murati و پلتفرم Tinker، Applied Compute با ارزش‌گذاری ۳.۲۵ میلیارد دلار در ماه گذشته و Prime Intellect را دارد. Arjun Karanam می‌گوید شرکت رابطی ساخته که آموزش پس‌از-آموزش را برای مشتریان غیرفنی دسترس‌پذیرتر می‌کند.

چه معنایی دارد

برای استارتاپ‌ها، این جذب سرمایه نشان می‌دهد سرمایه‌گذاران هنوز روی ابزارهایی شرط می‌بندند که استفاده از هوش مصنوعی تخصصی را ارزان‌تر و سریع‌تر می‌کنند. اگر متخصصان بتوانند خودشان مدل‌ها را بهبود دهند، هزینه تیم‌های تحقیقاتی و مشاوران کاهش می‌یابد. با این حال، این یک گزارش رسانه‌ای است و ادعاهای شرکت باید با عملکرد واقعی محصول سنجیده شوند.

نکته‌های کلیدی برای بنیان‌گذاران

• جذب سرمایه بزرگ برای ابزارهای آموزش مدل نشان می‌دهد بازار به دنبال کاهش هزینه تخصصی‌سازی هوش مصنوعی است.
• محصولی که متخصصان غیرفنی را در فرایند بهبود مدل دخیل می‌کند، می‌تواند پذیرش را سریع‌تر کند.
• رقابت در این حوزه شدید است و شرکت‌هایی با ارزش‌گذاری‌های بزرگ already exist.
• حفظ انسان در حلقه آموزش می‌تواند مزیت امنیتی و اعتمادساز باشد.
• طراحی رابط کاربری می‌تواند برای مشتریان غیرفنی به اندازه خود الگوریتم مهم باشد.