مدل‌های کنونی هوش مصنوعی، چه توسط غول‌هایی نظیر اوپن‌ای‌آی و آنتروپیک ساخته شده باشند و چه بر پایه معماری‌های متنباز شکل گرفته باشند، با یک محدودیت اساسی روبهرو هستند: آنها بدون آموزش مجدد و برنامهریزیشده، هرگز از اشتباهات گذشته خود درس نمیگیرند.
کسبوکارهایی که به دنبال بومیسازی و سفارشیکردن این مدلها برای کاربردهای حساس و بسیار تخصصی مانند حقوق، امور مالی یا پزشکی هستند، معمولاً ناچارند از روش فاین‌تیونینگ (Fine-tuning) استفاده کنند. اما این فرآیند مستلزم استخدام تیم‌های گران‌قیمت تحقیقاتی داخلی یا استفاده مداوم از مهندسان مشاور استقراریافته (Forward-Deployed Engineers) است که هزینه‌های سازمان را به شدت بالا می‌برد.
استارتاپ نوپای تراژکتوری (Trajectory) که حدود یک سال پیش توسط سه هم‌دانشگاهی استنفورد با تجربیات ارزشمند در گوگل دیپ‌مایند و اپل تأسیس شد، با هدف خودکارسازی کامل این مسیر وارد میدان شده است. این پلتفرم به مدل‌های هوش مصنوعی امکان می‌دهد تا مستقیماً بر اساس بازخورد فعالیت‌های واقعی بیاموزند و مهارت‌های تخصصی خود را به شکل مداوم ارتقا دهند.
این استارتاپ ۱۸ نفره به تازگی اعلام کرد که در یک راند تامین مالی سری A به رهبری صندوق نام‌آشنای سکویا کپیتال (Sequoia) و با ارزش‌گذاری ۳۰۰ میلیون دلار، موفق به جذب ۴۵ میلیون دلار سرمایه شده است. غول پردازنده‌های گرافیکی انویدیا (Nvidia) به همراه صندوق‌های معتبر بسیمر ونچر پارتنرز و بین کپیتال ونچرز نیز در این راند مشارکت داشته‌اند.
روناک مالده، یکی از هم‌بنیان‌گذاران تراژکتوری، در تشریح این چالش مدل‌های بنیادین را با دانشجویان نابغه دوره دکتری مقایسه کرد: «مدل‌های بزرگ مثل دانشجوی دکتری فوق‌العاده باهوشی هستند که هر روز در یک شغل تازه استخدام می‌شود و دانشی از سابقه کار ندارد؛ در حالی که ارزش اقتصادی واقعی در گرو داشتن نیرویی است که ۳۰ سال تجربه تخصصی در آن شغل اندوخته باشد.»
راهکار تراژکتوری مبتنی بر مفهومی با عنوان «یادگیری مستمر» (Continual Learning) است. شرکت‌هایی که از تراژکتوری استفاده می‌کنند، می‌توانند کار را با یک مدل هوش مصنوعی متنباز آغاز کنند و پلتفرم تراژکتوری را مستقیماً به برنامه‌ها و گردش‌های کاری خود متصل سازند. این پلتفرم داده‌های بازخوردی عملکرد مدل را جمع‌آوری کرده و از آنها برای بازآموزی هوشمند مدل در انجام وظایف تخصصی استفاده می‌کند. با این راهکار، وکلا، پزشکان و تحلیل‌گران بدون نوشتن حتی یک خط کد می‌توانند مدل را تقریباً به صورت خودکار بهبود بخشند.
در حال حاضر شرکت‌های نوآوری مانند Harvey (در حوزه حقوقی) و Rogo (در حوزه مالی) به همراه انویدیا، دکاگون و مرکور از پلتفرم تراژکتوری برای پس‌آموزش مدلها استفاده می‌کنند؛ پلتفرمی که اکنون رسماً در دسترس عموم مشتریان تجاری قرار گرفته است.
مایکل العبد، دیگر هم‌بنیان‌گذار این شرکت، تأکید می‌کند که رویکرد تراژکتوری با ایده «خودبهبودبخشی بازگشتی» (RSI) که در آن هوش مصنوعی مستقلاً خود را دستکاری می‌کند متفاوت است. در تراژکتوری، انسان‌ها همواره به عنوان ناظر کیفیت در چرخه تصمیم‌گیری حضور دارند تا از بروز رفتارهای ناخواسته، انحرافات کیفی و سناریوهای خطرناک جلوگیری شود.
تراژکتوری در این مسیر تنها نیست و با رقبای قدرتمندی مانند Thinking Machines Lab (تأسیس شده توسط میرا موراتی، مدیر ارشد فناوری سابق اوپن‌ای‌آی) و Applied Compute با ارزش‌گذاری ۳.۲۵ میلیارد دلار رقابت می‌کند؛ اما بنیان‌گذاران تراژکتوری معتقدند طراحی بی‌نقص تجربه کاربری و تیم متخصص جذب‌شده از استرایپ، اوپن‌ای‌آی و نتفلیکس، برگ برنده آنها در تسهیل آموزش هوش مصنوعی برای کاربران غیرمهندسی است.