Trajectoryとは？
短く答えると、TrajectoryはAIエージェントの実行履歴、修正、評価を集め、企業独自の採点基準でモデルを学習し直す運用基盤です。タスクと採点方法を用意すれば、学習、評価、配備までを一つの画面とSDKで扱えると説明されています。[1]
一般的な生成AIサービスが完成済みのモデルを提供するのに対し、Trajectoryは利用企業が「何を良い結果とみなすか」を管理する点に軸足があります。同社はこれをvalue function（価値関数）と呼びます。ここでいう価値関数は企業理念のような抽象語ではなく、エージェントの出力を採点するルールや評価器です。
| 項目 | Trajectoryで扱うもの | 導入側が用意するもの |
|---|---|---|
| 対象 | 既存モデルやAIエージェントのポストトレーニング | 改善したい業務タスク |
| 学習信号 | 実行履歴、修正、再入力、評価 | 良い・悪いを判定する基準 |
| 運用 | 学習、比較評価、配備、監査 | データ境界と承認手順 |
| 提供状況 | ログイン画面とウェイトリストを公開 | 利用可否、契約、料金の個別確認 |
AIモデルの学習・配備基盤を示すイメージ。Trajectoryの設備や画面ではありません。Photo: imgix / Unsplash（Unsplash License）
従来のモデル利用と何が違う？
APIで基盤モデルを呼び出すだけの運用では、モデル本体の振る舞いは提供企業の更新に左右されます。プロンプトや検索データで補うことはできますが、現場で蓄積した評価をモデルの学習へ戻すには、データ整形、評価環境、学習、配備を別々に組み合わせる必要があります。
Trajectoryはこの工程を一つにまとめ、任意のエージェント基盤と接続できると説明しています。公式サイトでは、実行履歴の取得に必要な変更は2か所、発表記事では約5行のコードで始められるとしています。数字は同社の説明であり、既存システムの認証、個人情報、監査、評価器の設計まで含む導入工数ではありません。[1][2]
違いを理解する鍵は、学習データより先に採点基準が必要なことです。たとえば契約書レビューなら、見落とした条項の数、不要な警告、根拠箇所の一致などを決めます。問い合わせ対応なら、解決率だけでなく、誤った返金、禁止表現、引き継ぎの妥当性も評価対象になります。大量のログがあっても、何を改善とみなすかが曖昧なら、学習結果を判断できません。
Continual GradingとGroup Size 1は研究プレビュー
Trajectoryは「継続学習」を掲げますが、発表時点ですべての機能が一般提供済みという意味ではありません。Continual GradingとGroup Size 1は、公式サイトと発表記事の双方でresearch previewと明記されています。[1]
- Continual Gradingは、少数の人手評価から採点基準を学び、より多くの実行履歴へ適用する
- Group Size 1は本番の一つひとつのやり取りを学習単位として扱う
- 評価スイートと承認フローを通してから更新を本番へ出す
- 学習対象にするデータの境界を利用企業が定める
この仕組みは、モデルが利用者との会話を無条件で自動学習する機能ではありません。公式サイトは更新前の評価と承認、学習データの範囲設定、学習履歴の監査を挙げています。企業が確認すべきなのは「勝手に賢くなるか」ではなく、どのデータを誰の評価で学習し、どのテストを通過した更新だけを配備するかです。[2]
実績の数字は条件を分けて読む
同社はHarvey、Rogo、Mercor、NVIDIAの開発者が利用し、ある顧客が2週間で8モデル超を学習したと発表しました。また、HarveyとNVIDIAとともにNemotron 3 Ultraを公開24時間以内に法律タスク向けに追加学習し、別のNemotron LightningモデルでHarveyのLABベンチマークのall-pass率を0%から8.3%へ改善したとしています。[1]
これらは具体的な導入例ですが、すべての業務で同じ改善幅や期間を再現できる証拠ではありません。対象モデル、評価課題、計算資源、学習データ量が異なれば結果は変わります。Trajectory自身の発表に基づく実績であることも踏まえ、導入検証では自社の基準で再測定する必要があります。
資金面では、同社はSequoia Capital主導のシリーズAで4,500万ドルを調達し、評価額は3億ドルと発表しました。NVIDIA、Bessemer Venture Partners、Bain Capital Venturesも参加しています。TechCrunchも創業者への取材をもとに、同じラウンドと18人のチームを報じました。[1][3]
調達額は研究開発を進める余力を示しますが、利用企業の成果や製品の成熟度とは別です。記事公開時点で料金表は見当たらず、公式サイトにはログインとウェイトリストの両方が表示されています。発表記事の「セルフサービス」と、誰でも即時契約できることは同じではないため、利用地域、対象モデル、最低利用量、データ保持、サポート費用を個別に確認します。
導入判断では4つの条件を試す
Trajectoryを検討する企業は、モデルの精度だけでなく、学習ループ全体を小さく試す必要があります。
- 一つの業務と失敗パターンを固定し、改善前の基準値を残す
- 専門家の判断を採点規則へ変え、評価者間の不一致を調べる
- 個人情報、顧客データ、機密情報を学習対象から外す条件を決める
- 更新モデルを本番へ出す承認者と、悪化した場合の戻し方を決める
たとえば顧客対応AIなら、回答の自然さだけでなく、解決率、誤案内、禁止された補償、有人対応への引き継ぎを並べます。2週間でモデルを何個作れたかより、同じ評価で改善を再現できるか、更新後の障害を追跡できるかが重要です。
AIエージェントの運用を比較する際は、TechCreateの「AIエージェントのrobots.txtをどう設計する？学習と検索を分ける判断軸」も参考になります。Web公開データの利用許可と、社内の実行履歴を学習へ戻す許可は別に設計してください。
なお、Trajectoryの公式公開GitHubリポジトリは今回の確認では見つかりませんでした。SDKや実装例は公式ドキュメントと契約時の案内で確認します。
まとめ
- Trajectoryは基盤モデルそのものではなく、企業の業務データと採点基準を使ってAIを追加学習・評価・配備するプラットフォーム
- 継続学習を支える主要機能の一部は研究プレビューで、公開実績は対象モデルや評価条件を含めて読む必要がある
- 導入時は料金やアクセス条件に加え、採点基準、学習データの境界、配備前テスト、更新を戻す手順を小さな業務で検証する
出典・参考
- Trajectory「Own Your Value Function: Introducing the Trajectory Platform」2026年11月2日
- Trajectory「The platform for continual learning」2026年11月6日確認
- TechCrunch「Trajectory raises $45M to make AI model training accessible to nontechnical experts」2026年11月2日
読者のコメント (0)
コメントを残す