Экс-инженеры Google и Apple запустили стартап Trajectory для внедрения непрерывного обучения в ИИ

Бывшие инженеры Google и Apple анонсировали запуск стартапа Trajectory, целью которого стало внедрение механизмов непрерывного обучения в архитектуру современных ИИ-продуктов. В условиях, когда большинство моделей остаются статичными после этапа тренировки, разработчики предлагают инфраструктуру для замыкания петли обратной связи (feedback loop), позволяющей системе адаптироваться к взаимодействиям с пользователем в режиме реального времени.

Концепция «vibe-coding» в разработке ИИ

Основой методологии Trajectory является подход, который авторы называют «vibe-coding». Если говорить проще, это цикл сверхбыстрой итерации, где пользовательская активность выступает в роли направляющего вектора для дообучения модели. Технически это напоминает процесс UX-оптимизации, когда функционал продукта корректируется на основе реальных метрик взаимодействия, однако в данном контексте речь идет о непрерывной автоматизированной настройке весов или промптов. Такой подход позволяет превратить линейный процесс разработки ПО в динамический контур, где модель эволюционирует по мере накопления данных о предпочтениях конечных пользователей.

Масштабирование циклов обратной связи

В области машинного обучения механизмы фидбека уже доказали свою эффективность — они лежат в основе алгоритмов ранжирования контента в социальных сетях, где модель обучается на каждой клик-сессии. Стартап Trajectory ставит своей задачей перенос этого принципа на более сложные нейросетевые архитектуры, включая системы обработки естественного языка и движки рекомендаций, используемые вне гигантских медиаплатформ. Как отмечают основатели, нынешняя генеративная ИИ-индустрия столкнулась с барьером статичности, когда внедренные решения теряют актуальность или точность из-за отсутствия механизма «дообучения» на лету.

Практическая реализация и доступность

Несмотря на раннюю стадию разработки, Trajectory нацелена на упрощение интеграции адаптивных ИИ-инструментов в корпоративные среды. Многие компании сталкиваются с проблемой внедрения нейросетей, которые работают эффективно только в лабораторных условиях, но не показывают значимых результатов в реальных бизнес-сценариях — от поддержки клиентов до персонализации контента. За счет предоставления инструментов для автоматизированного обучения, стартап пытается закрыть разрыв между прототипом и полноценным продуктом, способным самостоятельно совершенствоваться под конкретные задачи заказчика.На практике это значит, что разработчики получают каркас, в рамках которого система не просто выполняет запрос, но и фиксирует успех или неудачу конкретного ответа, корректируя последующие итерации. Задача команды — сделать создание подобных самообучающихся систем доступным для широкого сектора — от стартапов до крупных корпоративных инфраструктур, нуждающихся в масштабируемых и отзывчивых решениях.