Trajectory veut automatiser l’apprentissage continu des IA spécialisées

Le modèle d’intelligence artificielleIntelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. le plus performant d’aujourd’hui reste limité : il ne corrige pas ses propres erreurs sans une nouvelle phase d’entraînementTrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances.. Pour les entreprises qui souhaitent appliquer ces modèles à des domaines pointus comme le droit ou la finance, la solution consiste souvent à faire du fine‑tuning, ce qui implique d’engager des équipes de recherche internes ou de recourir à des consultants très coûteux. La startup américaine Trajectory propose d’automatiser ce processus.

Un financement qui montre l’intérêt du marché

Fondée il y a environ un an par trois anciens de Stanford – Ronak Malde, Michael Elabd et Arjun Karanam – tous issus de Google DeepMind ou d’Apple, Trajectory a levé 45 millions de dollars en série A, valorisée à 300 millions. Le tour a été mené par Sequoia, avec le soutien de Nvidia, Bessemer Venture Partners et Bain Capital Ventures. Ce financement souligne que les investisseurs perçoivent une réelle opportunité autour du « continual learning », c’est‑à‑dire la capacité d’un modèle à s’améliorer en continu à partir des retours d’usage.

Comment fonctionne l’apprentissage continu chez Trajectory

Le principe est simple : une entreprise démarre avec un modèle open‑source, branche la plateforme Trajectory à ses applications et collecte les feedbacks – par exemple, lorsqu’un avocat signale qu’une clause n’a pas été correctement identifiée. Ces annotations sont ensuite réinjectées dans le modèle qui est re‑entraîné automatiquement. Au fil du temps, le système devient de plus en plus adapté à la tâche spécifique, sans que les équipes techniques aient à intervenir à chaque itération.

Cette approche promet de réduire le coût et le délai de mise en production d’IA spécialisées. Les spécialistes – avocats, médecins, analystes financiers – pourraient ainsi « enseigner » à l’IA leurs propres critères de qualité, sans devoir maîtriser le machine learningMachine LearningBranche de l'intelligence artificielle permettant à des systèmes d'apprendre des relations à partir de données plutôt que de suivre uniquement des règles programmées..

Premiers clients et retours d’expérience

Des start‑ups comme Harvey et Rogo utilisent déjà la plateforme pour transformerTransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. des modèles génériques en assistants juridiques ou financiers capables de traiter des contrats types ou d’appliquer des méthodologies d’évaluation précises. D’autres clients, dont Decagon, Mercor et même Nvidia, testent la même logique de post‑training.

Selon Ronak Malde, « les entreprises décident elles‑mêmes de ce qui constitue la performance optimale et traduisent cela en améliorations concrètes du modèle ». Le fait de garder l’humain dans la boucleHuman in the LoopApproche intégrant une intervention humaine dans le fonctionnement, la validation ou les décisions d'un système automatisé., selon Michael Elabd, rend le processus plus sûr que les scénarios de self‑improvement totalement autonomes, qui pourraient entraîner des comportements inattendus.

Un positionnement parmi les concurrents

Trajectory n’est pas la première à proposer du post‑training automatisé. Thinking Machines Lab (fondée par l’ancienne CTO d’OpenAI Mira Murati), la plateforme Tinker d’Applied Compute et Prime Intellect offrent des solutions similaires. Cependant, Trajectory mise sur la simplicité d’usage : une interface conçue pour les utilisateurs non techniques, selon Arjun Karanam, qui souligne l’importance du design pour rendre la technologie accessible.

Perspectives pour les adopteurs

Si l’on considère la vitesse à laquelle les modèles de base évoluent, la capacité à les adapter rapidement à un contexte métier devient un facteur différentiel. Trajectory propose donc un moyen d’accélérer le cycle d’innovation tout en limitant les dépenses liées à la main‑d’œuvre spécialisée. Les entreprises qui maîtrisent déjà leurs données et leurs processus de validation pourront ainsi exploiter l’IA de façon plus agile.

En résumé, Trajectory mise sur l’apprentissage continu pour combler le fossé entre les modèles génériques et les besoins très spécifiques des professionnels. La prochaine étape sera de voir comment la plateforme se déploie à plus grande échelle et si les économies promises se confirment dans la pratique.