D'anciens chercheurs de Google et Apple lancent Trajectory, une IA à apprentissage continu

D'anciens chercheurs de Google et d'Apple ont fondé Trajectory, une start-up qui crée des systèmes d'IA apprenant en continu à partir des données des utilisateurs. Leur conviction centrale : un cycle d'itération rapide peut résoudre l'un des grands problèmes de l'IA moderne.

Pourquoi l'approche actuelle ne fonctionne pas

La plupart des produits d'IA souffrent d'un défaut fondamental : l'absence de feedback loop rapide. Le processus typique se déroule ainsi : les chercheurs entraînent un modèle sur des données historiques, l'équipe produit le déploie en production, puis l'entreprise attend des mois que de nouvelles données s'accumulent pour le réentraîner. Pendant ce temps, le modèle se dégrade, les utilisateurs se heurtent à des erreurs et la distribution des données évolue.

Trajectory juge cette logique erronée à la racine. Si un système peut apprendre en temps réel, il peut s'adapter presque instantanément aux nouveaux scénarios et aux erreurs.

S'inspirer du développement logiciel rapide

Tout comme un développeur peut modifier du code en quelques heures, le publier en production et recueillir des retours, un système d'IA devrait pouvoir mettre à jour ses poids à partir de données utilisateur en direct. Au lieu d'un cycle « des mois de planification, entraînement, déploiement », il ne s'écoulerait que quelques minutes entre l'observation d'un problème et sa correction.

Les avantages de cette approche :

• Le modèle se met à jour en temps réel à partir de nouvelles données
• Les erreurs sont détectées et corrigées en quelques heures, et non en mois
• Adaptation aux spécificités de chaque utilisateur ou client
• Moindre risque de dégradation du modèle en production
• Réduction des coûts de réentraînement et de redéploiement

À quoi cela pourrait ressembler techniquement

Trajectory travaille sur une architecture où le modèle ne se contente pas de produire une prédiction, mais assimile en même temps le résultat de celle-ci. Cela suppose de résoudre plusieurs problèmes loin d'être triviaux.

Premier point : la validation des données. Comment distinguer un signal utile du bruit ? Si un utilisateur appuie sur un bouton par erreur, cela ne doit pas entraîner le modèle.

Deuxième point : le contrôle qualité. Comment éviter que le modèle ne se mette à apprendre de ses propres erreurs ?

Troisième point : le passage à l'échelle. Comment cette architecture fonctionnera-t-elle lorsque des millions d'utilisateurs généreront des données simultanément ?

Les entreprises qui parviendront à résoudre ces problèmes disposeront d'un avantage considérable en vitesse d'itération et en qualité de produit.

Ce que cela change pour l'industrie

Si la vision de Trajectory s'avère réalisable, elle pourrait redéfinir ce que signifie « déployer une IA en production ». Au lieu d'un investissement ponctuel dans l'entraînement d'un modèle, les entreprises pourraient livrer des produits d'IA comme des organismes vivants, qui grandissent et s'adaptent à de nouvelles réalités. Cela exigera de nouveaux outils, de nouvelles best practices et une nouvelle culture de développement, mais les gains potentiels sont considérables.