A Trajectory, empresa criada há cerca de um ano por três ex-colegas de Stanford, anunciou uma Série A de US$ 45 milhões que a avalia em US$ 300 milhões, segundo o TechCrunch. A Sequoia liderou a rodada, com participação da Nvidia, da Bessemer Venture Partners e da Bain Capital Ventures. A empresa tem 18 funcionários.
O que o produto faz
O problema que a Trajectory ataca é que os modelos de hoje não aprendem com os próprios erros a menos que sejam treinados de novo. Empresas que querem um modelo capaz de lidar com uma área especializada, como direito ou finanças, costumam fazer o ajuste fino (fine-tuning) de um modelo generalista. Isso tende a exigir um time interno de pesquisa ou engenheiros externos pagos.
A Trajectory quer automatizar esse ciclo. A empresa parte de um modelo de código aberto e conecta a plataforma aos seus aplicativos. A plataforma coleta feedback sobre o desempenho do modelo e o usa para retreiná-lo, de modo que ele melhore em tarefas especializadas com o tempo. A companhia chama a abordagem de aprendizado contínuo.
O cofundador Ronak Malde afirmou que advogados, médicos e outros especialistas conseguem melhorar os modelos quase de forma automática, por conta própria. Quem usa define como é uma boa resposta para a sua organização, e a plataforma transforma isso em melhorias no modelo. O cofundador Arjun Karanam disse que a empresa criou uma interface pensada para tornar o pós-treino acessível a clientes sem perfil técnico.
Quem já usa
Harvey e Rogo já usam a plataforma para fazer o pós-treino de modelos abertos, por exemplo para revisar um tipo específico de contrato jurídico ou avaliar uma empresa por um método determinado. Decagon, Mercor e Nvidia também são clientes. A plataforma agora está disponível ao público.
Concorrência e argumento de segurança
A Trajectory cita como concorrente direto a Thinking Machines Lab, responsável pela plataforma de ajuste fino Tinker. Também destaca a Applied Compute, avaliada em US$ 3,25 bilhões no mês passado, e a Prime Intellect, que ajuda empresas a desenvolver e treinar seus próprios agentes.
O cofundador Michael Elabd disse que a abordagem lembra a automelhoria recursiva, mas mantém pessoas no ciclo de treinamento, o que, segundo ele, a torna mais segura que uma automelhoria autônoma.
O que a fonte não diz
O texto não informa preço, estrutura de planos nem requisitos técnicos da plataforma pública, e também não traz dados de desempenho. As afirmações sobre uma IA especializada mais rápida e mais barata vêm da própria empresa e não foram verificadas de forma independente na fonte.