جذب ۴۵ میلیون دلار سرمایه برای آموزش هوش مصنوعی توسط متخصصان غیرفنی
استارتاپ تراجکتوری با جذب ۴۵ میلیون دلار سرمایه، پلتفرمی ساخته که به وکلا، پزشکان و دیگر متخصصان غیرفنی اجازه می‌دهد مدل‌های هوش مصنوعی را بدون نیاز به دانش برنامه‌نویسی آموزش دهند.
مدل‌های هوش مصنوعی امروزی، چه ساختهٔ اوپن‌ای‌آی و آنتروپیک باشند و چه بر پایهٔ جایگزین‌های متن‌باز توسعه یافته باشند، یک محدودیت اساسی مشترک دارند: بدون آموزش مجدد، از اشتباهات خود درس نمی‌گیرند. 🧠
شرکت‌هایی که می‌خواهند این مدل‌ها را برای حوزه‌های تخصصی مانند حقوق یا مالی بومی‌سازی کنند، معمولاً مجبورند مدل‌های عمومی را «تنظیم دقیق» (Fine-tuning) کنند؛ فرآیندی که اغلب به استخدام تیم‌های پژوهشی داخلی یا مشاوران گران‌قیمت نیاز دارد. اما استارتاپ Trajectory قصد دارد این روند را خودکار کند تا مدل‌ها بتوانند از بازخوردها یاد بگیرند و در وظایف تخصصی به‌طور مداوم پیشرفت کنند.
💰 سرمایه‌گذاری ۴۵ میلیون دلاری با ارزش‌گذاری ۳۰۰ میلیون دلار
این شرکت ۱۸ نفره که حدود یک سال پیش توسط سه هم‌دانشگاهی دانشگاه استنفورد تأسیس شد، اعلام کرده است که ۴۵ میلیون دلار سرمایه در دور سری A جذب کرده است. ارزش‌گذاری تراجکتوری اکنون به ۳۰۰ میلیون دلار رسیده است. این دور سرمایه‌گذاری به رهبری Sequoia و با مشارکت انویدیا، Bessemer Venture Partners و Bain Capital Ventures انجام شده است. بنیان‌گذاران این استارتاپ پیش‌تر در گوگل دیپ‌مایند و اپل تجربهٔ کاری داشته‌اند.
🎓 مدل‌های پایه؛ دانشجویان دکتری بی‌تجربه
رونک مالده، یکی از بنیان‌گذاران تراجکتوری، مدل‌های پایهٔ هوش مصنوعی را به یک دانشجوی بسیار باهوش دکتری تشبیه می‌کند که همیشه در حال شروع یک شغل جدید است.
آنچه اقتصاد برایش ارزش قائل است، کسی است که ۳۰ سال در آن شغل تجربه کسب کرده باشد.
هدف این استارتاپ حل همین مشکل از طریق رویکردی به نام یادگیری مستمر (Continual Learning) است.
⚙️ نحوهٔ کار پلتفرم تراجکتوری
فرآیند بهبود مدل‌ها در این پلتفرم ساده و قابل‌دسترس طراحی شده است:
- 🔗 کسب‌وکارها با یک مدل هوش مصنوعی متن‌باز شروع می‌کنند.
- 📲 پلتفرم تراجکتوری به اپلیکیشن‌های آن‌ها متصل می‌شود.
- 📝 بازخوردهای مربوط به عملکرد مدل جمع‌آوری می‌گردد.
- 🔄 تراجکتوری از این اطلاعات برای آموزش مجدد مدل استفاده می‌کند.
- 📈 مدل در طول زمان در انجام وظایف تخصصی بهتر می‌شود.
به گفتهٔ مالده، با این ابزار، وکلا، پزشکان و سایر متخصصان می‌توانند تقریباً به‌صورت خودکار و بدون نیاز به دانش فنی عمیق، مدل‌ها را بهبود ببخشند. این قابلیت می‌تواند استقرار هوش مصنوعی تخصصی را سریع‌تر و ارزان‌تر کند.
🏢 مشتریان فعلی چه کسانی هستند؟
شرکت‌هایی مانند Harvey و Rogo هم‌اکنون از پلتفرم تراجکتوری برای پس‌آموزش مدل‌های متن‌باز استفاده می‌کنند. هدف آن‌ها این است که مدل‌ها بیشتر شبیه به وکلای باتجربه یا تحلیلگران مالی عمل کنند؛ مثلاً با یادگیری از بررسی نوع خاصی از قراردادهای حقوقی یا ارزش‌گذاری یک شرکت با روشی مشخص. از دیگر مشتریان این استارتاپ می‌توان به Decagon، Mercor و خود شرکت انویدیا اشاره کرد. تراجکتوری اخیراً پلتفرم پس‌آموزش خود را به‌صورت عمومی در دسترس قرار داده است.
🛡️ تفاوت با بهبود خودکار و ایمنی انسانی
رویکرد یادگیری مستمر تراجکتوری شباهت‌هایی به مفهوم «بهبود خودکار بازگشتی» (RSI) دارد؛ ایده‌ای که بر اساس آن سیستم‌های هوش مصنوعی می‌توانند قابلیت‌های خود را ارتقا دهند. اما مایکل العبد، دیگر بنیان‌گذار این شرکت، تأکید می‌کند که حفظ نقش انسان در فرآیند آموزش، رویکرد تراجکتوری را ایمن‌تر می‌سازد، زیرا بهبود خودمختار ممکن است به نتایج ناخواسته یا حتی خطرناک منجر شود.
🌐 رقبا و مزیت طراحی رابط کاربری
تراجکتوری تنها استارتاپ فعال در زمینهٔ خودکارسازی پس‌آموزش نیست. این شرکت، Thinking Machines Lab (تأسیس‌شده توسط میرا موراتی، مدیر فناوری سابق اوپن‌ای‌آی)، Applied Compute (با ارزش‌گذاری ۳.۲۵ میلیارد دلاری) و Prime Intellect را رقبای مستقیم خود می‌داند. با این حال، بنیان‌گذاران معتقدند بزرگ‌ترین مزیت آن‌ها تیمشان است؛ تیمی متشکل از پژوهشگران و طراحانی که از شرکت‌هایی چون گوگل دیپ‌مایند، اوپن‌ای‌آی، استرایپ و نتفلیکس جذب شده‌اند.
آرجون کارانام، سومین بنیان‌گذار تراجکتوری که پیش‌تر روی مدل‌های پایهٔ مولد در اپل کار می‌کرد، توضیح می‌دهد که چرا طراحی رابط کاربری برای یک شرکت متمرکز بر آموزش هوش مصنوعی تا این حد اهمیت دارد: آن‌ها رابطی توسعه داده‌اند که فرآیند پیچیدهٔ پس‌آموزش را برای مشتریان غیرفنی کاملاً قابل‌فهم و در دسترس می‌کند. ✨
منبع: TechCrunch