Unternehmen, die KI-Modelle für spezialisierte Bereiche wie Recht und Finanzen anpassen, setzen üblicherweise auf das Fine-Tuning von Generalmodellen, wie TechCrunch berichtet. Dieser Weg erfordert häufig interne Forschungsteams oder teure Berater, sogenannte Forward-Deployed Engineers. Genau an dieser Stelle wird es für viele Unternehmen teuer und langsam.

Feedback statt Forschungsteam

Das gesammelte Feedback nutzt Trajectory, um das Modell neu zu trainieren und seine Leistung bei spezialisierten Aufgaben mit der Zeit zu verbessern. Nach den Worten von Mitgründer Ronak Malde entscheiden die Nutzer selbst, was für ihre Organisation als gut gilt, und setzen das in Verbesserungen für ihr Modell um. Karanam zufolge hat das Startup dafür eine Oberfläche entwickelt, die das Post-Training für nichttechnische Kunden zugänglicher macht.

Der Reiz liegt weniger in einem neuen Trainingsverfahren als in der Zuständigkeit: Wer das Ziel definiert, muss kein Forschungsteam mehr sein.

Der Mensch bleibt im Trainingskreislauf

Harvey und Rogo nutzen die Plattform von Trajectory bereits, um Open-Source-Modelle nachzutrainieren – sie lernen dabei aus früheren Aufgaben wie der Prüfung eines bestimmten Vertragstyps oder der Bewertung eines Unternehmens nach einer festgelegten Methode.

Das kontinuierliche Nachtrainieren aus Nutzerfeedback könnte den Einsatz spezialisierter KI schneller und günstiger machen. Mitgründer Michael Elabd argumentiert, die Einbeziehung von Menschen mache den Ansatz von Trajectory sicherer, weil autonome Selbstverbesserung zu unbeabsichtigten oder sogar gefährlichen Ergebnissen führen könnte. Elabd dreht damit das Tempoargument um: Gerade weil das System dazulernt, soll der Mensch entscheiden, wohin.

Große Runde, kleineres Team

TechCrunch zufolge führte Sequoia die Series-A-Runde von Trajectory an. Nvidia, Bessemer Venture Partners und Bain Capital Ventures beteiligten sich an der Runde. Das Unternehmen beschäftigt nach Angaben von TechCrunch 18 Personen.

TechCrunch nennt weitere Startups, die den Post-Training-Markt automatisieren wollen: Thinking Machines Lab, das von der ehemaligen OpenAI-CTO Mira Murati gegründete Unternehmen hinter der Fine-Tuning-Plattform Tinker, Applied Compute sowie Prime Intellect. Prime Intellect beschreibt TechCrunch als Plattform, mit der Unternehmen eigene KI-Agenten bauen und trainieren können.

Ob die 18 Personen und das frische Kapital reichen, um sich gegen Tinker, Applied Compute und Prime Intellect zu behaupten, lässt sich aus den vorliegenden Angaben nicht ableiten.