Бывшие исследователи Google и Apple запустили Trajectory для ИИ с непрерывным обучением

Бывшие исследователи из Google и Apple основали стартап Trajectory для создания ИИ-систем, которые непрерывно учатся из данных пользователей. Их главное убеждение: быстрый цикл итерации может решить одну из главных проблем современного ИИ.

Почему текущий подход не работает

Большинство ИИ-продуктов страдают от одного фундаментального недостатка: отсутствия быстрого feedback loop. Типичный процесс выглядит так: исследователи обучают модель на исторических данных, продакт развертывает её в production, и дальше компания ждет месяцы, пока накопятся новые данные для переобучения. За это время модель деградирует, пользователи натыкаются на ошибки, распределение данных меняется. Trajectory считает, что это в корне неправильно. Если система может учиться в режиме реального времени, она может адаптироваться практически мгновенно к новым сценариям и ошибкам.

Вдохновение из быстрой разработки

Как разработчик может за часы внести изменение, выложить на production и получить feedback, так и ИИ-система должна уметь обновлять свои веса на основе живых пользовательских данных. Вместо цикла «месяцы планирования, обучение, деплой» — минуты между наблюдением проблемы и её исправлением. Преимущества такого подхода: Модель обновляется в режиме реального времени на основе новых данных Выявление и исправление ошибок за часы, а не месяцы Адаптация к специфике каждого пользователя или клиента Снижение риска деградации модели в production * Сокращение затрат на переобучение и переразвертывание ## Как технически это может выглядеть Trajectory работает над архитектурой, где модель не просто делает предсказание, но одновременно усваивает результат этого предсказания.

Это требует решения нескольких нетривиальных проблем. Первая — валидация данных. Как различить полезный signal от noise?

Если пользователь нажал кнопку случайно, это не должно обучить модель. Вторая — контроль качества. Как избежать того, что модель начнет обучаться на собственных ошибках?

Третья — масштабируемость. Как эта архитектура будет работать, когда миллионы пользователей генерируют данные одновременно? Компании, которые смогут решить эти задачи, получат огромное преимущество в скорости итерации и качестве продукта.

Что это значит для индустрии

Если видение Trajectory окажется осуществимо, это может переопределить, что значит «развернуть ИИ в production». Вместо одноразовой инвестиции в обучение модели, компании смогут выпускать ИИ-продукты как живые организмы, которые растут и приспосабливаются к новым реальностям. Это потребует новых инструментов, новых best practices и новой культуры разработки, но потенциальные выигрыши огромны.