Het statische tijdperk van kunstmatige intelligentie is voorbij. Of tenminste, Traject wil dat het is.
Voormalige onderzoekers uit de grote competities – Google, Apple, OpenAI – gokken op één idee. Feedback uit de echte wereld. Ze lanceerden deze week Trajectory, met als doel de cirkel tussen gebruikersfouten en modelverbetering te dichten. Een keer niet meer trainen en hopen op het beste.
Traject heeft zojuist $ 15 miljoen opgehaald. Zaad rond. Waardering van $ 115 miljoen. Overtuiging leidde de aanklacht. Bessemer en Radical VC sloten zich aan. Grote namen in individueel beleggen? Jeff Dean, hoofdwetenschapper van Google DeepMind. Fei-Fei Li, de ‘meter van AI’. De geloofwaardigheidsstapel is dik.
Ronak Malde is CEO. Hij kwam van Windsurf en stapte vorig jaar over naar DeepMind tijdens die rommelige wervingsronde van $ 2,4 miljard. Tot zijn medeoprichters behoren Arjun Karanam van het Vision Pro-team van Apple en Michael Elabd, voorheen werkzaam bij DeepMinds robotica-afdeling. Klein team, momenteel slechts elf mensen. Ambitie? Enorm.
Ze beweren dat de industrie kapot is. Waarom?
Omdat uw AI stopt met leren wanneer de trainingsfase eindigt. OpenAI, Anthropic, Google – ze bouwen beesten. Codeermodellen die beter schrijven dan jij. Wiskundige modellen die bewijzen oplossen. Maar na de lancering? Bevroren. Een standbeeld. Het model dat je dinsdag in de steek heeft gelaten, zal je vrijdag op precies dezelfde manier in de steek laten.
“Zelfs de krachtigste AI van vandaag is statisch.”
Malde wijst op codeerassistenten zoals Cursor als proof of concept. Ze gebruiken al gebruikersgegevens om modellen voortdurend aan te passen. Dat is de reden waarom het coderen van AI zo snel explodeerde. Het is niet alleen de sterkte van het basismodel. Het is de laag voortdurend leren bovenaan. Trajectory wil diezelfde monteur naar elke andere branche brengen. Niet alleen coderen. Klantenondersteuning. Verkoop. Wet.
Het is echter moeilijker.
Code wordt uitgevoerd of crasht. Binair. Schoon. Een retouraanvraag afgehandeld door een supportbot? Dat is rommelig. Ambigu. Succes is vaag. Karanam geeft de uitdaging toe. Trajectory helpt bedrijven hun eigen successtatistieken te definiëren. Je begint niet met GPT-4. Je begint met een open-sourcemodel, nageschoold voor jouw specifieke taak.
Neem Decagon. Ze bouwen AI-agenten voor klantenondersteuning. Wanneer een bot faalt en deze aan een mens overdraagt, registreert Trajectory die mislukking. Volgende week? Ze trainen erop. Het nieuwe model maakt die fout niet. Ze beweren dat deze post-getrainde, smalle modellen de grensreuzen verslaan bij specifieke taken.
Leidinggevenden zijn dol op het idee. Op dit moment vereist de inzet van AI het inhuren van ‘vooruit inzetbare ingenieurs’. Fancy consultants ingebed in uw bedrijf om op de tech-stack te passen. OpenAI en Anthropic zijn druk bezig met het samenstellen van teams om dit handwerk voor u te doen. Elabd haat dit. Hij wil dat de software zichzelf repareert. Voor het onderhoud zijn geen monteurs nodig. Sluit hem gewoon aan. Hij leert. Het wordt beter.
Is het echt voortdurend leren? Critici zouden met hun ogen kunnen rollen. De updates vinden wekelijks plaats. Tussen deze updates door is het model nog steeds statisch. Het is met tussenpozen. Een pleister. Geen stroom.
Elabd veegt dit weg. Zegt dat wekelijks slechts het starthek is. Het doel is dagelijkse updates. Uurlijkse updates. Misschien zelfs leren per interactie. Hij stelt zich een wereld voor waarin bedrijven niet één gigantische AI voor iedereen trainen. Zij trainen specifieke AI’s voor elke individuele medewerker. Gepersonaliseerd. Adaptief. Live.
Klinkt riskant. Klinkt ongelooflijk. Welke zal het zijn?
We zullen moeten wachten op de volgende wekelijkse patch om erachter te komen.
