Por Canuto  

La startup Trajectory habría conseguido USD $45 millones para que especialistas de áreas como derecho y finanzas ayuden a mejorar modelos de IA con retroalimentación, sin depender necesariamente de equipos internos de investigación o consultores costosos. TechCrunch informó sobre la ronda, mientras que la valoración de USD $300 millones mencionada en otros reportes no ha sido confirmada por la empresa ni por Sequoia.
***

  • TechCrunch informó que Trajectory recaudó USD $45 millones en una ronda Serie A liderada por Sequoia; Nvidia y Bessemer Venture Partners también habrían participado.
  • La plataforma recoge comentarios sobre el desempeño de modelos y los utiliza para entrenarlos de nuevo en tareas especializadas.
  • Harvey, Rogo, Decagon, Mercor y Nvidia figuran entre los clientes mencionados por la startup, que ahora ofrece públicamente su plataforma.

Trajectory capta USD $45 millones para llevar el entrenamiento de IA a especialistas

TechCrunch informó que Trajectory recaudó USD $45 millones en una ronda Serie A liderada por Sequoia. Nvidia y Bessemer Venture Partners también habrían participado. La valoración de USD $300 millones que aparece en otros reportes no ha sido confirmada por Trajectory ni por Sequoia Capital.

La empresa, que cuenta con 18 empleados, quiere simplificar un proceso que suele exigir equipos de investigación internos o consultores especializados. Su plataforma permite que las organizaciones recojan comentarios sobre el rendimiento de un modelo y usen esa información para entrenarlo de nuevo, con el objetivo de que mejore en funciones concretas con el paso del tiempo.

Una plataforma para adaptar modelos a tareas concretas

Los modelos actuales, tanto los desarrollados por OpenAI y Anthropic como los basados en alternativas de código abierto, comparten una limitación importante: no aprenden de sus errores por sí solos sin recibir entrenamiento adicional. Por eso, las compañías que buscan aplicarlos a ámbitos como el derecho y las finanzas suelen ajustar modelos generales para que respondan mejor a las necesidades de su actividad.

Ese ajuste posterior puede requerir conocimientos especializados, recursos internos y trabajo de consultores conocidos como ingenieros de despliegue avanzado. Trajectory propone automatizar parte de ese recorrido y permitir que quienes conocen las tareas definan qué resultados consideran adecuados para su organización, en lugar de depender exclusivamente de investigadores o especialistas externos.

La plataforma parte de un modelo de IA de código abierto que la empresa conecta con sus aplicaciones. A partir de ese vínculo, recoge información sobre cómo se desempeña el sistema en las tareas asignadas y utiliza los comentarios recibidos para volver a entrenarlo; la intención es que la herramienta gane experiencia en funciones delimitadas sin que el usuario tenga que gestionar directamente todo el proceso técnico.

Ronak Malde, cofundador de Trajectory, comparó los modelos fundacionales con un estudiante de doctorado muy inteligente que siempre empieza un empleo nuevo. En su planteamiento, el valor económico también depende de la experiencia acumulada durante años en un mismo trabajo, y la startup busca acercar los modelos a esa capacidad práctica mediante ciclos de aprendizaje basados en tareas y retroalimentación.

Malde sostuvo que abogados, médicos y otros especialistas podrían mejorar los modelos casi de forma automática con Trajectory. La promesa comercial reside en que esos profesionales aporten criterios sobre la calidad del trabajo y permitan que el sistema incorpore esas señales, lo que podría hacer más rápido y menos costoso el despliegue de IA especializada, aunque la fuente no cuantifica esos posibles ahorros.

Entre los casos de uso mencionados están Harvey y Rogo, que emplean la plataforma para entrenar posteriormente modelos abiertos. En el primer tipo de aplicación, el sistema puede aprender de tareas previas, como revisar una clase específica de contrato; en el ámbito financiero, el ejemplo citado es valorar una compañía según una metodología determinada.

Clientes, equipo y competencia en el entrenamiento de IA

Trajectory también señaló a Decagon, Mercor y Nvidia entre sus clientes. La compañía anunció que ahora pone su plataforma de entrenamiento posterior a disposición del público, de modo que las organizaciones puedan convertir sus propios criterios de calidad en mejoras para los modelos que utilizan, en vez de limitarse a aceptar sin cambios el desempeño inicial de un sistema generalista.

Malde fundó la startup hace aproximadamente un año junto con otros dos compañeros de Stanford, y el equipo reúne experiencia en compañías tecnológicas y laboratorios de IA. Malde había trabajado en Google DeepMind y formó parte del pequeño grupo de investigadores de esa organización incorporado mediante una contratación de equipo desde Windsurf; el texto original describe ese movimiento como una adquisición de talento, no como una compra de Trajectory.

El cofundador Michael Elabd también trabajó en DeepMind, mientras que Arjun Karanam, el tercer fundador, participó antes en el desarrollo de modelos fundacionales generativos en Apple. La empresa además ha contratado investigadores y diseñadores de producto procedentes de OpenAI, Stripe y Netflix, una composición que, según Karanam, ayuda a construir una interfaz accesible para personas que no trabajan directamente en áreas técnicas.

El aprendizaje continuo comparte ciertos puntos con la idea de la mejora recursiva, según la cual los sistemas de IA podrían aumentar sus propias capacidades. Sin embargo, Elabd argumentó que mantener a las personas dentro del proceso de entrenamiento hace más segura la propuesta de Trajectory, porque una mejora autónoma podría producir resultados imprevistos e incluso peligrosos; la empresa presenta así la supervisión humana como una diferencia central de su enfoque.

Trajectory compite con varias iniciativas que buscan automatizar el entrenamiento posterior de modelos. Entre ellas menciona a Thinking Machines Lab, fundada por la exdirectora de tecnología de OpenAI Mira Murati y responsable de la plataforma de ajuste Tinker, además de Applied Compute, valorada en USD $3.250 millones el mes anterior a la publicación, y Prime Intellect, que ayuda a empresas a construir y entrenar sus propios agentes de IA.

Malde considera que el equipo es una de las principales ventajas de la startup, mientras que Karanam destaca el diseño de la interfaz para atraer a usuarios no técnicos. La ronda y la apertura pública de la plataforma ponen a prueba si especialistas de sectores como el legal y el financiero pueden orientar mejoras de modelos con menos intervención de investigadores, una apuesta que dependerá de la utilidad de la retroalimentación y de la capacidad de mantener supervisión humana en el proceso.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados