Trajectory recauda 45 millones de dólares para que los modelos de IA aprendan de los comentarios

Trajectory capta 45 millones para mejorar modelos de IA con comentarios humanos

Nos ayudas mucho si nos sigues en Google Seguir en

Trajectory ha anunciado una ronda de financiación de 45 millones de dólares para automatizar la mejora de modelos de inteligencia artificial a partir de comentarios y tareas especializadas. Su plataforma busca que las empresas adapten modelos de código abierto a su trabajo sin depender en la misma medida de equipos internos de investigación o consultores especializados.

La operación es una ronda de Serie A y sitúa la valoración de la startup en 300 millones de dólares. La lideró Sequoia, con participación de Nvidia, Bessemer Venture Partners y Bain Capital Ventures. La empresa, fundada por antiguos investigadores de Google DeepMind y Apple, también ha abierto al público su plataforma de entrenamiento posterior.

Del comentario sobre una respuesta a una mejora del modelo

Los modelos de propósito general no incorporan automáticamente a sus parámetros lo que aprenden al equivocarse durante una conversación o una tarea. Para que cambien su comportamiento de forma más duradera suele hacer falta un proceso adicional de entrenamiento. En ámbitos como el derecho o las finanzas, adaptar un modelo puede requerir conocimientos técnicos y recursos que muchas empresas no tienen dentro de su equipo.

Trajectory plantea usar el trabajo cotidiano como materia prima para ese proceso. Una organización conecta un modelo de código abierto y sus aplicaciones a la plataforma; esta recoge información sobre cómo rinde el sistema, incluidos los comentarios de las personas que lo utilizan. A partir de esos datos, Trajectory vuelve a entrenar el modelo para que mejore en tareas concretas con el tiempo. La empresa denomina a este enfoque aprendizaje continuo.

La distinción importante es que el comentario no equivale por sí mismo a una actualización inmediata del modelo. Entre la respuesta observada y una versión mejorada hay un paso de entrenamiento posterior. La plataforma pretende automatizar parte de ese trabajo y ofrecer una interfaz accesible también a usuarios sin formación técnica en aprendizaje automático.

En la práctica, una firma podría revisar cómo un modelo analiza un tipo determinado de contrato y señalar qué resultados son útiles o incorrectos. Esa información serviría para orientar el entrenamiento hacia la tarea y los criterios de la organización. Es un ejemplo hipotético del mecanismo descrito: la mejora depende de que haya comentarios pertinentes y de que la empresa defina qué considera un buen resultado.

Casos de uso y empresas que ya utilizan la plataforma

Según la información publicada por TechCrunch, Harvey y Rogo ya usan Trajectory para ajustar modelos de código abierto. El objetivo es acercar su rendimiento al de especialistas con experiencia en tareas como revisar una clase concreta de contrato o valorar una empresa con una metodología determinada. La compañía también identifica a Decagon, Mercor y Nvidia entre sus clientes.

Estos ejemplos ilustran por qué el aprendizaje especializado no consiste únicamente en incorporar más datos generales. Una organización puede querer que el modelo siga una forma de análisis propia o aplique criterios concretos a una tarea delimitada. El equipo que utiliza Trajectory decide qué resultados son adecuados y aporta esa valoración al proceso de mejora.

Para responsables de tecnología, la propuesta desplaza parte del esfuerzo desde la construcción de un modelo desde cero hacia la adaptación de uno existente. Eso podría reducir la necesidad de contratar investigadores o recurrir a ingenieros especializados que trabajan directamente con cada cliente, conocidos como *forward-deployed engineers*. No elimina, sin embargo, la necesidad de supervisión: alguien debe valorar las respuestas, detectar errores y establecer los criterios con los que se juzga el desempeño.

Una apuesta por el aprendizaje continuo con personas en el proceso

El enfoque comparte ciertos puntos con la idea de que los sistemas de inteligencia artificial mejoren sus propias capacidades, pero Trajectory sostiene que mantener a las personas dentro del proceso permite controlar qué se considera una mejora. Su cofundador Michael Elabd contrapone ese método a una mejora autónoma que, según argumenta, podría producir resultados no previstos o peligrosos.

La financiación llega en un mercado donde otras compañías también intentan facilitar el entrenamiento posterior de modelos. Entre las iniciativas citadas están Thinking Machines Lab, que desarrolla la plataforma de ajuste Tinker; Applied Compute, y Prime Intellect, centrada en ayudar a empresas a crear y entrenar sus propios agentes de IA. La ronda y la valoración reflejan la apuesta inversora por esta categoría, pero no demuestran por sí solas que la plataforma consiga mejoras en cualquier tarea o empresa.

Trajectory fue fundada aproximadamente un año antes del anuncio por tres antiguos compañeros de Stanford: Ronak Malde, Michael Elabd y Arjun Karanam. Malde y Elabd trabajaron en Google DeepMind, mientras que Karanam participó en el desarrollo de modelos generativos fundacionales en Apple. La startup, con 18 empleados según la información publicada, también ha incorporado perfiles procedentes de OpenAI, Stripe y Netflix.

La noticia original fue publicada por TechCrunch.

Blogs de tecnología Similares

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *