Trajectory, una empresa fundada hace aproximadamente un año por tres excompañeros de Stanford, anunció una Serie A de 45 millones de dólares que la valora en 300 millones, según TechCrunch. Sequoia lideró la ronda, con participación de Nvidia, Bessemer Venture Partners y Bain Capital Ventures. La plantilla es de 18 personas.
Qué hace el producto
El problema que ataca Trajectory es que los modelos actuales no aprenden de sus errores salvo que se los vuelva a entrenar. Las empresas que quieren que un modelo domine un campo especializado, como el derecho o las finanzas, suelen ajustar un modelo general. Eso acostumbra a exigir un equipo de investigación propio o ingenieros externos de pago.
Trajectory quiere automatizar ese ciclo. La empresa parte de un modelo de código abierto y conecta la plataforma a sus aplicaciones. La plataforma recoge opiniones sobre el rendimiento del modelo y las usa para reentrenarlo, de modo que mejore con el tiempo en tareas especializadas. La compañía llama a este enfoque aprendizaje continuo.
El cofundador Ronak Malde afirmó que abogados, médicos y otros especialistas pueden mejorar los modelos casi de forma automática por su cuenta. Quienes usan el sistema definen qué es un buen resultado para su organización, y la plataforma lo traduce en mejoras del modelo. El cofundador Arjun Karanam explicó que construyeron una interfaz pensada para que el post-entrenamiento resulte accesible a clientes sin perfil técnico.
Quién la usa
Harvey y Rogo ya emplean la plataforma para post-entrenar modelos de código abierto, por ejemplo para revisar un tipo concreto de contrato legal o para valorar una empresa con un método determinado. Decagon, Mercor y Nvidia también son clientes. La plataforma ya está disponible para el público.
Competencia y enfoque de seguridad
Trajectory señala como competidor directo a Thinking Machines Lab, creadora de la plataforma de ajuste Tinker. También menciona a Applied Compute, valorada en 3.250 millones de dólares el mes pasado, y a Prime Intellect, una firma que ayuda a las empresas a desarrollar y entrenar sus propios agentes.
El cofundador Michael Elabd dijo que el método se parece a la automejora recursiva, pero mantiene a las personas dentro del ciclo de entrenamiento, lo que a su juicio lo hace más seguro que una automejora autónoma.
Lo que la fuente no dice
El artículo no da precios, estructura de planes ni requisitos técnicos de la plataforma pública, y tampoco ofrece datos de rendimiento. Las afirmaciones sobre una IA especializada más rápida y barata proceden de la propia empresa y la fuente no las verifica de forma independiente.