Sok AI-termék látványos demóval indul, aztán a mindennapi használatban gyorsan kiderül: ugyanazokat a hibákat ismétli, és nehéz rávenni, hogy tényleg „tanuljon” a felhasználókból. A Trajectory erre a hiányzó láncszemre épít: a folyamatos visszacsatolásra.

Mi történt

Egy korábban a Google DeepMindnál, az Apple-nél, az OpenAI-nál és a Meta Superintelligence Labsnél dolgozó AI-kutatói csapat bejelentette, hogy új startupot indít Trajectory néven. A cég célja, hogy vállalatok AI-termékeit rendszeresen lehessen fejleszteni úgy, hogy a modelleket valós felhasználói interakciókon tréningezik tovább.

A lényeg nem egy új „mindent megoldó” alapmodell, hanem egy gyakorlatiasabb ígéret: segítség abban, hogy a cégek be tudjanak vezetni egy ismételhető folyamatot, ami a használat közben keletkező jeleket (mit kértek a felhasználók, hol akadt el a rendszer, mi lett a jó válasz) tanulásra alkalmas adatokká alakítja, majd ebből javításokat készít.

Miért fontos

Gondolj az AI-ra úgy, mint egy frissen felvett kollégára: az első napokban sok mindent tud, de a csapatod konkrét szokásait, termékeit és ügyfeleit csak akkor érti meg igazán, ha kapsz egy működő visszajelzési csatornát — és van időd betanítani. A mai AI-termékeknél ez a „betanítás” gyakran ad hoc: van némi felhasználói értékelés, némi hibajegy, némi prompt-tuning, de nincs belőle stabil, mérhető, biztonságosan működtethető körfolyamat.

Ha a Trajectory megközelítése beválik, az a cégeknek gyorsabb javítási ciklust jelenthet: kevesebb „széteső” chatbot-élményt, jobb ügyfélszolgálati automatizmust, pontosabb belső keresőt vagy kódolási asszisztenst — és azt, hogy a termék tényleg kövesse a felhasználói igényeket, ne csak a következő nagy modellfrissítéstől várja a megváltást.

Mire figyelj

  1. Milyen visszajelzésből lesz tanulás? Nem mindegy, hogy csillagozásból, szöveges panaszokból, vagy „ideális válasz” példákból tanul a rendszer. Az is kérdés, mennyire tudják kiszűrni a félrevezető vagy rosszindulatú inputot.
  2. Adatvédelem és vállalati megfelelés: A „valós interakciókon tréningezés” könnyen belefut érzékeny adatokba. Érdemes figyelni, milyen anonimizálási, hozzáférés-kezelési és auditálási megoldásokkal dolgoznak.
  3. Mérhetőség a gyakorlatban: A folyamatos finomhangolás (fine-tuning) akkor hasznos, ha nem ront mellékhatásként más képességeken. Kulcskérdés, hogy a javulást hogyan mérik: például hibaarány, ügyfél-elégedettség, vagy feladatmegoldási pontosság alapján.
  4. Vendor lock-in kockázat: Ha a visszacsatolási kör egy külső szolgáltatóhoz kötődik, később nehezebb lehet váltani. Jó jel, ha a folyamat és az adatok hordozhatók maradnak.

A WIRED értelmezésében a Trajectory tétje az, hogy a „modelleket építünk” korszakából át tud-e tolni a piacot a „tanuló termékeket üzemeltetünk” korszakába — ahol a fejlesztés nem kampányszerű, hanem folyamatos üzem.