Trajectory, jeune pousse fondée par trois anciens de Stanford, a annoncé une levée de fonds de 45 millions de dollars en série A, portée à une valorisation de 300 millions. L’objectif affiché est de rendre l’apprentissage continu des modèles d’intelligence artificielle accessible aux experts métiers, même lorsqu’ils ne maîtrisent pas les aspects techniques du machine learning.
Une levée de fonds majeure
Le tour de table, mené par Sequoia, a réuni des investisseurs de renom tels que Nvidia, Bessemer Venture Partners et Bain Capital Ventures. Cette injection de capital intervient alors que le marché de l’IA connaît une explosion de la demande pour des solutions spécialisées dans des domaines comme le droit, la finance ou la santé. En moins de deux ans d’existence, l’entreprise compte déjà 18 salariés, dont plusieurs anciens de Google DeepMind, Apple et d’autres acteurs majeurs du secteur.
Le concept de l’apprentissage continu
Les modèles d’IA actuels, qu’ils proviennent d’OpenAI, d’Anthropic ou de projets open‑source, partagent une limitation importante : ils ne s’ajustent pas automatiquement aux retours d’expérience. Pour combler ce manque, les entreprises recourent souvent à du fine‑tuning, une opération coûteuse qui nécessite des équipes de recherche internes ou le recours à des consultants spécialisés, appelés « forward‑deployed engineers ».
Trajectory propose une alternative basée sur le continual learning. La plateforme permet aux organisations de connecter un modèle open‑source à leurs applications, de collecter les retours d’utilisation et de réentraîner automatiquement le modèle afin d’améliorer ses performances sur des tâches précises. Ainsi, un cabinet d’avocats peut affiner un modèle pour mieux analyser un type de contrat, tandis qu’une société de finance peut le spécialiser pour une méthodologie d’évaluation particulière.
Comment ça fonctionne ?
- Intégration simple : les utilisateurs branchent la plateforme à leurs flux de travail existants.
- Collecte de feedback : chaque interaction génère des données d’évaluation.
- Réentraînement automatisé : le système utilise ces données pour mettre à jour le modèle de façon itérative.
- Contrôle humain : les experts définissent les critères de qualité et valident les améliorations, garantissant sécurité et pertinence.
Clients, partenaires et concurrence
Parmi les premiers adoptants, on retrouve des startups comme Harvey et Rogo, qui utilisent la solution pour transformer des modèles open‑source en assistants juridiques ou analystes financiers. D’autres clients cités incluent Decagon, Mercor et même Nvidia, qui explore l’intégration de la technologie dans ses propres offres.
Trajectory n’est pas seul sur ce créneau. Des concurrents tels que Thinking Machines Lab, fondée par l’ancienne directrice technique d’OpenAI, propose la plateforme Tinker, tandis qu’Applied Compute et Prime Intellect offrent des solutions similaires de formation post‑déploiement. La différenciation de Trajectory réside, selon ses fondateurs, dans la combinaison d’une équipe d’experts de DeepMind, Apple et d’autres géants, ainsi qu’une interface conçue pour les utilisateurs non techniques.
L’enjeu du design et de l’accessibilité
Le troisième co‑fondateur, Arjun Karanam, insiste sur l’importance du design. La plateforme se veut intuitive, avec une interface graphique qui guide les utilisateurs à travers chaque étape du processus de réentraînement. Cette approche vise à réduire la dépendance à des spécialistes du machine learning et à permettre aux professionnels du droit, de la médecine ou de la finance de piloter directement l’amélioration de leurs modèles.
En gardant l’humain dans la boucle, Trajectory répond également aux préoccupations liées à l’autonomie totale des systèmes d’apprentissage. Michael Elabd, co‑fondateur, souligne que l’implication humaine limite les risques de dérives imprévues, un point crucial dans un contexte où les modèles peuvent influencer des décisions à forte valeur juridique ou financière.
Avec la mise à disposition publique de sa plateforme, l’entreprise espère accélérer l’adoption de l’apprentissage continu et réduire les coûts associés à la spécialisation des IA. Si la tendance se confirme, on pourrait assister à une démocratisation de la personnalisation des modèles, ouvrant la voie à des applications plus précises et plus sûres dans de nombreux secteurs.
Perspectives et défis à venir
Le financement récent donne à Trajectory les moyens d’étendre son équipe, d’enrichir son catalogue de modèles open‑source compatibles et d’investir davantage dans la recherche sur le continual learning. Les défis restent toutefois importants : garantir la qualité des données de feedback, assurer la conformité réglementaire dans des domaines sensibles et maintenir un équilibre entre automatisation et contrôle humain.
En résumé, la levée de 45 M$ marque une étape clé pour une startup qui ambitionne de transformer la façon dont les entreprises adaptent l’IA à leurs besoins spécifiques. Si la promesse d’une spécialisation plus rapide et moins coûteuse se concrétise, Trajectory pourrait bien devenir un acteur incontournable du paysage de l’intelligence artificielle appliquée.