モデルが OpenAI、Anthropic から来ているか、オープンソースのソリューションを改造したものであれ、現在の人工知能技術には共通の短所がある。それは、追加の訓練を行わなければ、自らの誤りから学ぶことができないという点である。企業が一般的なモデルを法律や金融などの専門分野に応用しようとする場合、通常は微調整が必要であり、これはしばしば内部研究チームを組織するか、高額な外部の先端デプロイエンジニアを雇うことを意味する。
設立約1年のスタートアップTrajectoryは、このプロセスを自動化することを目指している。同社の3人の創業者はスタンフォードの同窓生で、以前はそれぞれ Google DeepMindやAppleで働いていた。最近、同社は4500万ドル（約3.2億元人民元）のAラウンド資金調達を完了し、評価額は3億ドル（約21.3億元人民元）に達した。リード投資家はSequoia Capitalで、NVIDIA、Bessemer、Bain Capitalのベンチャーキャピタルも参加している。現在、同社の規模はわずか18人である。
Trajectoryは自動化された人工知能微調整ソリューションを提供
Trajectoryが採用しているのは、継続的学習のアプローチである。企業はオープンソースモデルから始め、プラットフォームを自社のアプリケーションに接続し、システムがモデルのパフォーマンスに関するフィードバックを継続的に収集することで、これらの情報を用いてモデルを再訓練し、特定のタスクにおいてますます優れたものにすることができる。共同創業者のRonak Maldeは、基礎モデルは非常に賢いが常に新しい仕事を探している博士課程の学生のようなもので、「経済が本当に重視するのは、同じ職場で30年働いている人である」と比喩している。
Maldeによれば、Trajectoryを使えば、弁護士や医師などの専門家は基本的に自分でモデルを調整でき、アルゴリズムチームに依存する必要がなくなるため、専門的な人工知能のデプロイがより迅速かつ安価になる。HarveyやRogoはすでにこのプラットフォームを使用してオープンソースモデルの後訓練を行い、経験豊富な弁護士や金融アナリストに近づけている。例えば、特定の種類の契約をレビューしたり、特定の方法で企業を評価したりすることを学んでいる。他の顧客にはDecagon、Mercor、NVIDIAが含まれ、このプラットフォームは現在外部に公開されている。
このアプローチは「再帰的自己改善」と似た側面があるが、共同創業者のMichael Elabedは、人間が訓練プロセスに関与することでTrajectoryがより安全になると考えている。完全に自律的な自己改善は、予期しない、さらには危険な結果をもたらす可能性がある。競合他社は少なくなく、Thinking Machines Labの微調整プラットフォームTinker、先月評価額が32.5億ドル（約231億元人民元）に達したApplied Compute、企業が自社の知能体を管理するのを助けるPrime Intellectなどが、彼らの直接の競争相手と見なされている。
Maldeはチームを最大の強みと見なしている。彼自身はGoogle DeepMindからWindsurfにリクルートされた研究者の一人であり、ElabedもDeepMind出身で、3人目の創業者Aljon Kalananは以前Appleで生成的基礎モデルに従事していた。同社はまた、OpenAI、Stripe、Netflixから研究および製品設計の専門家を採用している。Kalananは、技術に詳しくない顧客でも簡単に後訓練を行えるように特別に設計されたインターフェースを用意していると述べている。