Trajectory, teknik olmayan uzmanların yapay zeka modellerini kendilerinin post-train edebilmesi için 45 milyon dolar topladı

Trajectory, Sequoia liderliğinde 45 milyon dolarlık Seri A turu kaldırdı

Yaklaşık bir yıl önce kurulan ve 18 kişilik bir ekip tarafından işletilen Trajectory, TechCrunch'a göre 300 milyon dolarlık bir değerlemeyle 45 milyon dolarlık bir Seri A turu topladı. Tura Sequoia liderlik etti; Nvidia, Bessemer Venture Partners ve Bain Capital Ventures da yatırımcılar arasındaydı.

Şirket, Stanford'dan üç sınıf arkadaşı — Ronak Malde, Michael Elabd ve Arjun Karanam — tarafından kuruldu. TechCrunch'ın aktardığına göre Malde, Google DeepMind'ın Windsurf'tan satın alarak kadrosuna kattığı küçük araştırmacı grubundan biriydi; Elabd de DeepMind'da çalıştı, Karanam ise Apple'da üretken temel modeller (foundation model) geliştirdi. Girişim, bu zamandan beri OpenAI, Stripe ve Netflix'ten araştırmacı ve ürün tasarımcıları kadrosuna kattı.

Trajectory'nin hedeflediği darboğaz

Günümüzün önde gelen modelleri — ister OpenAI'den ister Anthropic'ten olsun, ister açık kaynak temeller üzerine kurulu olsun — ortak bir yapısal sınırlamaya sahip: kendi hatalarından, ek eğitim olmadan ders çıkaramıyorlar. Hukuk ve finans gibi uzmanlık alanlarına bu modelleri uyarlayan şirketler genellikle onları fine-tune ediyor; ancak TechCrunch'ın da belirttiği gibi bu, çoğu zaman şirket içi araştırma ekipleri kurmayı ya da genellikle "forward-deployed engineer" olarak adlandırılan pahalı danışmanlar tutmayı gerektiriyor.

Malde'nin tanımı bu açığı iyi özetliyor: bir temel model, her gün yepyeni bir işe başlayan dâhi bir doktora mezununa benziyor; oysa kurumların gerçekte ihtiyaç duyduğu şey, tam o rolde on yıllar deneyime sahip bir meslektaşa denk gelen biri.

İnsanın yine de döngüde olduğu sürekli öğrenme

Trajectory'nin cevabı, sürekli öğrenme (continual learning) olarak bilinen bir yaklaşım. Müşteri, açık kaynak bir modelle başlıyor ve platformu kendi uygulamalarına bağlayarak modelin gerçek kullanımda nasıl performans gösterdiğine dair geri bildirim toplanmasını sağlıyor. Trajectory daha sonra bu bilgiyi, modelin zamanla uzmanlaşmış görevlerde daha iyi hale gelmesi için modeli yeniden eğitmekte kullanıyor.

Malde, TechCrunch'a verdiği demeçte avukatların, doktorların ve diğer uzmanların modelleri neredeyse tamamen otomatik biçimde kendilerinin geliştirebileceğini; kendi kurumlarında iyi performansın ne anlama geldiğini tanımlayıp bu yargıyı somut model iyileştirmelerine dönüştürebildiklerini söyledi. Karanam ise şirketin, post-training'i teknik olmayan kullanıcılar için erişilebilir kılmaya özel olarak bir arayüz geliştirdiğini belirtti — bu da ekipte ürün tasarımcılarının yapay zeka araştırmacılarının yanında neden yer aldığını açıklıyor.

Bu yaklaşım, yapay zeka sistemlerinin kendi yeteneklerini geliştirebileceği fikri olan özyinelemeli kendini geliştirme (RSI) kavramına yüzeysel benzerlikler taşıyor. Elabd, eğitim sürecinde insanları görevde tutmanın Trajectory'nin versiyonunu daha güvenli hale getirdiğini savunuyor; çünkü tamamen otonom bir kendini geliştirme süreci istenmeyen, hatta tehlikeli sonuçlara yol açabilir.

Müşteriler ve rakipler

Harvey ve Rogo, platformu halihazırda açık kaynak modelleri post-train etmek için kullanıyor; böylece modeller, belirli türdeki sözleşmeleri inceleme ya da şirketleri belirli metodolojilerle değerlendirme gibi geçmiş çalışmalardan yararlanarak deneyimli avukatların veya finans analistlerinin düzeyine yakın performans gösteriyor. Trajectory'nin diğer müşterileri arasında Decagon, Mercor ve Nvidia da var; şirket ayrıca post-training platformunu artık herkesin kullanımına açıyor.

Bu girişim, post-training'i otomatikleştirme çabasında yalız değil. TechCrunch'ın haberine göre Trajectory, OpenAI'nin eski CTO'su Mira Murati tarafından kurulan ve Tinker fine-tune platformunun sahibi olan Thinking Machines Lab'ı; geçen ay 3,25 milyar dolar değerlemeye ulaşan Applied Compute ile şirketlerin kendi yapay zeka ajanlarını (AI agent) kurmasına ve eğitmesine yardımcı olan Prime Intellect'i doğrudan rakip olarak görüyor.

Neden önemli

Fine-tuning, genel amaçlı modeller ile uzmanlık gerektiren mesleklerde gerçekten işe yarar yapay zeka arasındaki ana darboğazlardan biri. Bugün bu iş, makine öğrenimi mühendislerinin ve maliyetli danışmanlık projelerinin arkasında konumlanmış durumda; alan uzmanları uzmanlıklarını bunun yerine geri bildirim yoluyla doğrudan modellere aktarabilirse, uzmanlaşmış yapay zekayı devreye almak hem daha hızlı hem de daha ucuz hale gelir.

Bu tur ayrıca yatırımcıların değerin yapay zeka yığınında (stack) nerede biriktiğini gördüğüne dair bir sinyal: yalnızca sınır modellerinde değil, onların çevresine kurulmuş post-training katmanında da. Sequoia ve Nvidia'nın 18 kişilik bir şirketi 300 milyon dolar değerlemeyle desteklemesi — iyi fonlanmış Thinking Machines Lab ve Applied Compute gibi rakipler piyasada zaten varken — bu katlaya sahip olma yarışının çoktan başladığını gösteriyor.