Trajectory lève 45 M$ pour automatiser l'entraînement des modèles d'IA

Fondée il y a environ un an par trois anciens condisciples de Stanford passés par Google DeepMind et Apple, Trajectory veut supprimer l'étape la plus coûteuse de l'adaptation des modèles d'IA à un métier : le réentraînement sur mesure. La jeune pousse a annoncé une série A de 45 M$ à une valorisation de 300 M$, menée par Sequoia, avec la participation de Nvidia, Bessemer Venture Partners et Bain Capital Ventures, selon TechCrunch.

L'entreprise, qui compte 18 salariés, rend désormais publique sa plateforme de post-entraînement.

Le problème : des modèles qui n'apprennent pas de leurs erreurs

Les modèles actuels, qu'ils viennent d'OpenAI, d'Anthropic ou de l'open source, partagent une limite : sans entraînement supplémentaire, ils ne tirent pas de leçons de leurs erreurs. Pour adapter ces modèles à des domaines spécialisés comme le droit ou la finance, les entreprises passent généralement par du fine-tuning, ce qui suppose de recruter une équipe de recherche interne ou de faire appel à des consultants coûteux, les forward-deployed engineers.

Trajectory revendique l'automatisation de ce processus. Son approche repose sur le continual learning : l'entreprise part d'un modèle open source, connecte la plateforme à ses applications pour collecter les retours sur la qualité des réponses, puis réentraîne le modèle à partir de ces informations afin qu'il progresse sur les tâches métier au fil du temps.

« Ce que l'économie valorise, c'est quelqu'un qui a travaillé 30 ans sur le poste », a déclaré au média Ronak Malde, cofondateur, qui compare les modèles de base à un doctorant très brillant qui changerait sans cesse d'emploi.

Des utilisateurs non techniques aux commandes

Selon Malde, avocats, médecins et autres spécialistes peuvent ainsi améliorer les modèles de façon quasi autonome, ce qui rend le déploiement d'une IA spécialisée plus rapide et moins cher. Les utilisateurs de Trajectory définissent « ce qui est bon pour leur organisation et peuvent le transformer en améliorations pour leur modèle », ajoute-t-il.

Parmi les clients figurent Harvey et Rogo, qui post-entraînent des modèles open source pour les rapprocher du comportement d'un juriste ou d'un analyste financier expérimenté, en apprenant de tâches passées comme la revue d'un type de contrat ou la valorisation d'une société selon une méthodologie donnée. Decagon, Mercor et Nvidia comptent aussi parmi les utilisateurs.

Sécurité et concurrence

Le continual learning défendu par Trajectory présente des points communs avec la recursive self-improvement, l'idée que les systèmes d'IA peuvent améliorer leurs propres capacités. Le cofondateur Michael Elabd estime toutefois que le maintien d'humains dans la boucle d'entraînement rend l'approche plus sûre, une auto-amélioration autonome pouvant produire des résultats non voulus, voire dangereux.

Le créneau n'est pas vide. Trajectory cite comme concurrents directs Thinking Machines Lab, fondé par l'ancienne directrice technique d'OpenAI Mira Murati et à l'origine de la plateforme de fine-tuning Tinker, Applied Compute, valorisé 3,25 Md$ le mois dernier, ainsi que Prime Intellect, qui aide les entreprises à construire et entraîner leurs propres agents d'IA.

Malde voit dans l'équipe le principal atout de la startup. Il faisait partie des quelques chercheurs que Google DeepMind a recrutés chez Windsurf ; Elabd est également passé par DeepMind, et le troisième cofondateur, Arjun Karanam, a travaillé sur les modèles génératifs fondamentaux chez Apple. Trajectory a aussi attiré des chercheurs et des designers produit venus d'OpenAI, de Stripe et de Netflix.

Karanam justifie l'importance accordée au design par la volonté de rendre le post-entraînement accessible à des clients non techniques, via une interface dédiée.