Trajectory تطور نموذج ذكاء صناعي يتعلم باستمرار أثناء العمل
أعلنت شركة ناشئة جديدة تدعى Trajectory عن إطلاق منصتها للذكاء الاصطناعي القائم على التعلم المستمر، في خطوة تهدف إلى بناء أنظمة تتطور ذاتياً من خلال الخبرة الواقعية بدلاً من الاعتماد على تدريب ثابت يتوقف بعد الإطلاق.
تفاصيل الخبر
تم تأسيس شركة Trajectory على يد باحثين سابقين من شركات كبرى مثل DeepMind وApple وOpenAI وMeta SuperIntelligence Lab، ونجحت في جمع تمويل أولي بقيمة 15 مليون دولار بقيادة Conviction وBessemer Venture Partners.
وتقوم فكرة الشركة على بناء أنظمة ذكاء اصطناعي قادرة على التعلم المستمر من الاستخدام الفعلي داخل المنتجات، بحيث تتحسن بمرور الوقت اعتماداً على تفاعل المستخدمين.
ومن أبرز ما تقدمه المنصة:
- تسجيل تصحيحات المستخدمين وإعادة المحاولات والتعديلات أثناء الاستخدام.
- تحويل هذه البيانات إلى عمليات إعادة تدريب مستمرة للنماذج.
- تحسين أداء النماذج بشكل دوري بناءً على التغذية الراجعة الواقعية.
- تطوير نماذج تتعلم من الأخطاء بدل الاعتماد على تدريب ثابت.
- اعتماد تحديثات أسبوعية حالياً للنماذج المدربة.
- العمل على تقليل فترة التحديث إلى ساعات أو حتى كل تفاعل.
- تحقيق أداء متفوق على نماذج متقدمة في مهام محددة دقيقة.
وتشمل قائمة العملاء الأوائل شركات مثل Clay وHarvey وDecagon وRogo، حيث تستخدم هذه الشركات التقنية لتحسين أدواتها المعتمدة على الذكاء الاصطناعي في مجالات متعددة.
الأهداف المستقبلية
تسعى Trajectory إلى إعادة تعريف طريقة تدريب وتشغيل نماذج الذكاء الاصطناعي عبر جعلها أكثر ديناميكية واستجابة للتجربة الواقعية، وتشمل الأهداف المستقبلية:
- تطوير نماذج تتعلم بشكل مستمر من الاستخدام الفعلي.
- تقليل الفجوة بين الخطأ والتحسن في أداء الذكاء الاصطناعي.
- رفع كفاءة النماذج في المهام المتخصصة عالية الدقة.
- تحسين التفاعل بين المستخدم والنموذج في الوقت الفعلي.
- بناء أنظمة ذكاء اصطناعي تتكيف بشكل فوري مع التغيرات.
- تقليل الحاجة إلى إعادة تدريب كاملة للنماذج.
- تعزيز جودة الأداء عبر التعلم من التغذية الراجعة المباشرة.
- تطوير بنية تحتية جديدة للذكاء الاصطناعي القابل للتطور المستمر.
وتشير هذه المقاربة إلى تحول محتمل في طريقة بناء نماذج الذكاء الاصطناعي، حيث تصبح الأنظمة أقرب إلى التعلم البشري المستمر بدلاً من النماذج الثابتة.
يمثل نهج Trajectory خطوة طموحة نحو جيل جديد من الذكاء الاصطناعي القادر على التطور المستمر من خلال التجربة. وإذا نجحت هذه الفكرة على نطاق واسع، فقد نشهد أنظمة تتعلم وتتحسن بشكل لحظي مع كل استخدام.
