Antiguos investigadores de Google y Apple lanzan Trajectory para IA con aprendizaje continuo

Antiguos investigadores de Google y Apple fundaron la startup Trajectory para crear sistemas de IA que aprenden continuamente a partir de datos de usuarios. Su creencia principal: un ciclo de iteración rápido puede resolver uno de los principales problemas de la IA moderna.

Por qué el enfoque actual no funciona

La mayoría de los productos de IA sufren un defecto fundamental: la falta de un ciclo de retroalimentación rápido. El proceso típico es así: los investigadores entrenan un modelo con datos históricos, el equipo de producto lo despliega en producción, y luego la empresa espera meses mientras se acumulan nuevos datos para el reentrenamiento. Durante este tiempo, el modelo se degrada, los usuarios encuentran errores, la distribución de datos cambia. Trajectory cree que esto es fundamentalmente incorrecto. Si un sistema puede aprender en tiempo real, puede adaptarse prácticamente de inmediato a nuevos escenarios y errores.

Inspiración del desarrollo rápido

Así como un desarrollador puede hacer cambios en cuestión de horas, desplegar en producción y obtener retroalimentación, un sistema de IA debe ser capaz de actualizar sus pesos basándose en datos de usuarios reales. En lugar del ciclo «meses de planificación, entrenamiento, despliegue» — minutos entre observar un problema y corregirlo. Las ventajas de este enfoque:

• El modelo se actualiza en tiempo real basándose en nuevos datos
• Detección y corrección de errores en horas, no meses
• Adaptación a la especificidad de cada usuario o cliente
• Reducción del riesgo de degradación del modelo en producción
• Reducción de costos en reentrenamiento y redespliegue

Cómo podría verse esto técnicamente

Trajectory está trabajando en una arquitectura donde el modelo no solo hace una predicción, sino que también asimila el resultado de esa predicción. Esto requiere resolver varios problemas no triviales. El primero es la validación de datos. ¿Cómo distinguir una señal útil del ruido? Si un usuario presiona un botón accidentalmente, eso no debería entrenar el modelo. El segundo es el control de calidad. ¿Cómo evitar que el modelo comience a entrenarse con sus propios errores? El tercero es la escalabilidad. ¿Cómo funcionará esta arquitectura cuando millones de usuarios generen datos simultáneamente? Las empresas que puedan resolver estas tareas obtendrán una enorme ventaja en velocidad de iteración y calidad del producto.

Qué significa esto para la industria

Si la visión de Trajectory resulta viable, podría redefinir lo que significa «desplegar IA en producción». En lugar de una inversión única en entrenar un modelo, las empresas podrán lanzar productos de IA como organismos vivos que crecen y se adaptan a nuevas realidades. Esto requerirá nuevas herramientas, nuevas mejores prácticas y una nueva cultura de desarrollo, pero los posibles beneficios son enormes.