Extrabajadores de Google y Apple lanzan Trajectory, una startup de IA con aprendizaje continuo

Antiguos investigadores de Google y Apple han fundado Trajectory, una startup para crear sistemas de IA que aprenden de forma continua a partir de los datos de los usuarios. Su convicción central: un ciclo de iteración rápido puede resolver uno de los grandes problemas de la IA actual.

Por qué el enfoque actual no funciona

La mayoría de los productos de IA comparten un defecto fundamental: carecen de un feedback loop rápido. El proceso típico es este: los investigadores entrenan un modelo con datos históricos, el equipo de producto lo despliega en producción y la empresa espera meses hasta acumular datos nuevos para reentrenarlo. Mientras tanto, el modelo se degrada, los usuarios se topan con errores y cambia la distribución de los datos.

Trajectory considera que esto es erróneo de raíz. Si un sistema puede aprender en tiempo real, puede adaptarse casi al instante a nuevos escenarios y errores.

Inspiración en el desarrollo rápido de software

Igual que un desarrollador puede introducir un cambio en horas, publicarlo en producción y recibir feedback, un sistema de IA debería poder actualizar sus pesos con datos reales de usuarios. En lugar de un ciclo de «meses de planificación, entrenamiento, despliegue», pasarían minutos entre detectar un problema y corregirlo.

Ventajas de este enfoque:

• El modelo se actualiza en tiempo real con datos nuevos
• Los errores se detectan y corrigen en horas, no en meses
• Adaptación a las particularidades de cada usuario o cliente
• Menor riesgo de degradación del modelo en producción
• Menores costes de reentrenamiento y redespliegue

Cómo podría ser técnicamente

Trajectory trabaja en una arquitectura en la que el modelo no solo hace una predicción, sino que al mismo tiempo asimila el resultado de esa predicción. Esto exige resolver varios problemas nada triviales.

Primero, la validación de datos. ¿Cómo distinguir una señal útil del ruido? Si un usuario pulsa un botón por error, eso no debe entrenar al modelo.

Segundo, el control de calidad. ¿Cómo evitar que el modelo empiece a aprender de sus propios errores?

Tercero, la escalabilidad. ¿Cómo funcionará esta arquitectura cuando millones de usuarios generen datos a la vez?

Las empresas que logren resolver estos problemas obtendrán una enorme ventaja en velocidad de iteración y calidad del producto.

Qué significa 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 podrían lanzar productos de IA como organismos vivos que crecen y se adaptan a nuevas realidades. Hará falta nuevas herramientas, nuevas best practices y una nueva cultura de desarrollo, pero las ganancias potenciales son enormes.