Trajectory גייסה 45 מיליון דולר בסבב A לפי שווי של 300 מיליון דולר, כך דיווח TechCrunch ב-2 בנובמבר. Sequoia הובילה את הסבב, בהשתתפות Nvidia, Bessemer Venture Partners ו-Bain Capital Ventures. החברה מציעה לחבר משוב מהשימוש היומיומי ביישומי AI לתהליך שמאמן את המודל מחדש לאורך זמן.
המייסדים, רונאק מאלדה, מייקל אלאבד וארג׳ון קראנאם, הכירו כסטודנטים ב-Stanford. ההצעה שלהם מכוונת גם לאנשים שאינם מהנדסי למידת מכונה: מומחי תחום שיודעים לזהות עבודה טובה, אבל אינם מנהלים בעצמם תשתית אימון. לפי החברה, המערכת אמורה להפוך את הידע הזה לחלק מתהליך שיפור שוטף.
המונח שבו משתמשת Trajectory הוא ״למידה מתמשכת״. במקום להשאיר מודל כפי שהיה בסיום האימון הראשוני, אוספים משוב על ביצועיו במשימה מוגדרת ומשתמשים בו במחזורי אימון נוספים. זהו תיאור של מנגנון עבודה. הוא אינו הבטחה שכל תגובה חדשה של משתמש תהפוך מיד את המודל לטוב יותר.
איך משוב הופך לחומר לאימון
לפי תיאור החברה, עסק מחבר את המערכת ליישום שבו הוא מפעיל מודל. המערכת אוספת משוב על תוצאות העבודה ומשתמשת בו כדי לאמן ולשפר את המודל לאורך זמן. המטרה היא לצמצם את הצורך במהנדס שינהל ידנית כל מחזור מחדש, מהאיסוף ועד להפעלת תהליך האימון.
אפשר להמחיש זאת באמצעות מערכת היפותטית שממיינת פניות שירות. מומחה בארגון יודע שפנייה מסוימת נשלחה לצוות הלא נכון ומתקן את הסיווג. התיקון עשוי לשמש אות ללמידה עתידית. אבל כדי שיהפוך לשיפור אמיתי, צריך להגדיר מה נחשב תיקון נכון, אילו דוגמאות מייצגות את העבודה ואיך בודקים שהעדכון עזר.
המשוב יכול להיות בעל ערך דווקא משום שהוא מגיע מהעבודה עצמה. דוגמאות כלליות אינן תמיד כוללות את המונחים, הכללים או החריגים של ארגון מסוים. מנגד, גם השימוש האמיתי אינו מקור נקי משגיאות: עובד יכול לתקן בטעות, ומשתמשים שונים יכולים לרצות תוצאות סותרות. איסוף אוטומטי אינו פותר את המחלוקת הזאת.
כאן נכנס מומחה התחום שהחברה מבקשת להנגיש לו את התהליך. הוא אינו חייב לבחור כל פרמטר טכני כדי לתרום, אבל עדיין צריך להסביר מהי הצלחה. דיוק בסיווג, התאמה למדיניות ואיכות ניסוח הם מטרות שונות. מערכת יכולה להשתפר באחת מהן ולהיחלש באחרת, אם מטרת האימון אינה מוגדרת היטב.
מודל שלומד אינו בהכרח צ׳אט שזוכר
שמירת מידע משיחה קודמת יכולה לעזור ליישום לענות בהקשר מתאים, בלי לשנות את המודל עצמו. אימון מחדש הוא תהליך אחר: הוא מעדכן את האופן שבו המודל מבצע את המשימה. לכן זיכרון ארוך יותר או גישה למסמכים נוספים אינם כשלעצמם עדות לכך שמתרחשת למידה מתמשכת של משקלי המודל.
ההבחנה משנה את סוג הבדיקה שעסק צריך לבצע. כשמוסיפים מסמך להקשר, אפשר לבדוק איזו תשובה ניתנת בעזרתו. כשמשנים מודל, צריך לבחון גם כיצד העדכון משפיע על בקשות אחרות. שינוי שעוזר לדוגמה ששימשה לאימון יכול להשפיע על דוגמאות שלא נכללו בו, לרבות כאלה שהמערכת כבר טיפלה בהן היטב.
Trajectory מציגה את האוטומציה כדרך להפוך אימון המשך לנגיש יותר. לפי TechCrunch, הפלטפורמה נעשית זמינה לציבור. זמינות כזאת אינה אומרת שהקוד פתוח או שכל עסק יכול לחבר כל מודל ללא התאמות. תנאי הגישה, התצורות הנתמכות והאחריות התפעולית הם שאלות נפרדות מההכרזה על המוצר.
גם ״מתמשך״ אינו מחייב שהמודל משתנה בזמן אמת אחרי כל לחיצה. המושג מתאר שיפור חוזר המבוסס על ניסיון חדש. התדירות והאופן שבו שינוי עובר לבדיקה ולשימוש הם פרטים שצריך להגדיר במימוש. עסק שרוכש מערכת כזאת צריך לדעת מתי התנהגות המודל שלו עשויה להשתנות ומי יכול לאשר זאת.
ההבטחה למשתמש הלא טכני, והעבודה שלא נעלמת
החיסכון שהחברה מבקשת להציע הוא בחלק מהתפעול הטכני של תהליך האימון. מומחה שיודע לזהות תשובה שגויה לא אמור להזדקק בכל פעם לפרויקט הנדסי חדש כדי להעביר את המשוב הלאה. אם הלולאה הזאת פועלת היטב, היא יכולה לקרב בין מי שמשתמש במערכת לבין מי שמגדיר את יעדיה.
אבל גם בתהליך נגיש צריך להחליט איזה משוב לא ייכנס לאימון. מידע רגיש, דוגמאות שאינן מייצגות את העבודה ותיקונים שלא נבדקו יכולים לשנות את ערך התהליך. אלה שאלות בחירה למי שמאמץ למידה מתמשכת, ולא טענה ש-Trajectory מטפלת בהן בדרך מסוימת או שאינה מטפלת בהן כלל.
נדרש גם בסיס השוואה. אם מודל חדש מקבל ציון גבוה יותר, צריך להבין על איזה מבחן, מול איזו גרסה ובאילו תנאים. רצוי שהמבחן יכלול דוגמאות שלא שימשו לאימון, כדי שלא ימדוד רק הצלחה בשחזור חומר מוכר. זו הבחנה עקרונית בין התאמה לדוגמאות לבין יכולת לעבוד על מקרים חדשים.
האפשרות לחזור לגרסה קודמת חשובה מאותה סיבה. שיפור אינו תנועה מובטחת בכיוון אחד, ותקלה יכולה להתגלות רק אחרי שהמערכת פוגשת עבודה נוספת. מי שמנהל יישום עסקי צריך להבין כיצד עוצרים שינוי, כיצד משווים גרסאות ואיך יודעים איזו גרסה ביצעה פעולה מסוימת בזמן מסוים.
מה הגיוס אומר, ומה עדיין צריך להוכיח
סבב של 45 מיליון דולר ושווי של 300 מיליון דולר מצביעים על ההיקף הפיננסי של המהלך שעליו דווח. הם אינם תוצאה של מבחן ביצועים. גם השתתפות של משקיעים מוכרים אינה מעידה שכל ארגון יוכל להשיג שיפור דומה או לחסוך סכום קבוע בהוצאות האימון וההפעלה שלו.
השאלה העסקית המעניינת היא האם אפשר להפוך ידע של מומחה לתהליך שחוזר על עצמו בלי לאבד שליטה באיכות. מומחה עשוי לזהות חריג שאינו מופיע במדריך, אבל עדיין צריך להפוך את ההבחנה שלו לאות שאפשר למדוד. כאן נפגשים הידע המקצועי וההנדסה, גם כאשר הממשק מסתיר חלק מהמורכבות הטכנית.
Trajectory מבקשת לבנות את החיבור הזה. עבור לקוח אפשרי, המבחן אינו אם המוצר משתמש במונח ״למידה מתמשכת״, אלא אם הוא יכול להראות שינוי מועיל במשימה מוגדרת, לאורך זמן ועם יכולת לזהות נסיגה. המימון נותן לחברה משאבים להמשיך לפתח את ההצעה; המשוב מהעבודה צריך להוכיח את ערכה.