Адаптация базовых моделей традиционно требовала найма специализированных исследовательских команд или оплаты дорогостоящих инженеров внедрения. Однако сейчас появляются платформы, позволяющие отраслевым экспертам напрямую переобучать системы с открытым исходным кодом.
Разработаны ли базовые модели силами OpenAI, Anthropic или опенсорс-сообществами, у них есть общий фундаментальный недостаток: они не учатся на своих ошибках без дополнительного обучения. Корпоративные внедрения в специализированных секторах, таких как юриспруденция и финансы, регулярно упираются в это операционное узкое горлышко. Выездные инженеры внедрения выставляют высокие консалтинговые счета за устранение разрыва, превращая непрерывную поддержку моделей в постоянную статью расходов.
Автоматизация пост-тренинга силами профильных экспертов меняет эту экономическую структуру. Вместо содержания выделенных отделов машинного обучения организации могут собирать обратную связь от специалистов и направлять ее напрямую в веса моделей.
Сокращение инженерных расходов с помощью непрерывного обучения
Чтобы монетизировать этот переход, стартап Trajectory объявил о привлечении $45 млн в раунде серии A при оценке в $300 млн. Раунд возглавил фонд Sequoia Capital при участии Nvidia, Bessemer Venture Partners и Bain Capital Ventures. Основанный около года назад тремя выпускниками Стэнфорда с опытом работы в Google DeepMind и Apple, стартап со штатом из 18 человек открывает публичный доступ к своей платформе пост-тренинга.
Технический процесс связывает опенсорс-модель напрямую с продуктивными приложениями, собирая операционную обратную связь для переобучения архитектуры под специализированные задачи. Этот цикл позволяет профессионалам вроде юристов и врачей управлять обновлениями моделей без технических посредников.
«Что экономика действительно ценит, так это человека, проработавшего по специальности 30 лет»
Сооснователь Trajectory Ronak Malde сравнил базовые модели с очень умным аспирантом, который постоянно выходит на новую работу. Ценность для бизнеса требует предметного опыта, который непрерывное обучение призвано внедрять систематически. Такие компании, как Harvey и Rogo, используют платформу для пост-тренинга открытых моделей под конкретные задачи, включая анализ специфических типов юридических договоров или оценку стоимости бизнеса по заданной методологии. Среди других клиентов — Decagon, Mercor и Nvidia.
Как нетехнические специалисты управляют сложными градиентными обновлениями без написания кода машинного обучения?
Они работают со специализированными графическими интерфейсами, абстрагирующими пайплайн обучения. Сооснователь Trajectory Arjun Karanam, ранее занимавшийся генеративными базовыми моделями в Apple, отметил, что команда создала интерфейс, делающий пост-тренинг доступным для нетехнических клиентов. В штат стартапа вошли специалисты из OpenAI, Stripe и Netflix, а также сооснователь Michael Elabd, работавший в DeepMind вместе с Malde.
Баланс автономного улучшения и контроля безопасности
Хотя непрерывное обучение отчасти схоже с рекурсивным самосовершенствованием — концепцией, согласно которой системы ИИ сами улучшают свои возможности, — полностью автономные циклы несут явные операционные риски. Переобучение без контроля чревато дрейфом модели, непроверенными результатами и непреднамеренной деградацией поведения системы.
«Участие человека в процессе обучения делает подход Trajectory более безопасным, поскольку автономное самосовершенствование может привести к непредвиденным или даже опасным последствиям»
Как объяснил Michael Elabd, присутствие отраслевых экспертов в контуре обучения защищает организации от нестабильности бесконтрольной рекурсивной адаптации. Профильные специалисты определяют стандарты качества для своей организации и трансформируют их в улучшения для используемой модели.
Рыночная конкуренция в сфере инфраструктуры пост-тренинга стремительно растет. Trajectory сталкивается с прямым давлением со стороны Thinking Machines Lab (основанной бывшим техническим директором OpenAI Мирой Мурати и развивающей инструмент тонкой настройки Tinker), компании Applied Compute, оцененной в прошлом месяце в $3,25 млрд, а также Prime Intellect, помогающей бизнесу создавать и обучать собственных ИИ-агентов.
Оцените регулярные затраты на консалтинг внешних ML-инженеров в сравнении с инфраструктурными расходами на эксплуатацию опенсорс-моделей через платформы автоматизированного пост-тренинга для выявления прямой операционной экономии.
Что не сходится
Базовые архитектуры способны решать сложнейшие логические тесты, но спотыкаются на типовом юридическом договоре или оценке активов без постоянной помощи со стороны. Традиционно эту дыру закрывали дорогими контрактами с консультантами и выездными инженерами внедрения, что превращало любую поддержку системы в бесконечную статью расходов. Перенос настройки прямо в руки юристов и аналитиков через графический интерфейс отсекает посредников, но требует доверить обновление весов людям без технического бэкграунда. Инвестиции в $45 млн показывают смещение фокуса с раздувания бюджетов на консалтинг в сторону автоматизированной доводки открытых систем силами штатных специалистов.