Blog Machine Learning
Trajectory Buka Platform agar Pakar Dapat Melatih Model AI
Daftar isi· 7 bagian
Trajectory, perusahaan rintisan AI, membuka platform continual learning untuk umum pada 2 November 2026 sekaligus mengumumkan pendanaan Seri A sebesar 45 juta dolar AS. Lewat platform ini, pakar seperti pengacara atau analis keuangan menilai jawaban model AI, lalu penilaian itu dipakai untuk melatih ulang model agar makin cakap di pekerjaan khusus.
Pendekatan ini menyentuh persoalan yang sering dialami organisasi yang memakai AI: model umum cukup pintar, tetapi tidak belajar dari kesalahan di tempat kerja. Untuk membuatnya belajar, selama ini organisasi perlu tim riset sendiri atau konsultan yang mahal.
Apa yang diluncurkan Trajectory
Dalam pengumuman resminya, Trajectory menyebut platformnya sebagai produk swalayan (self-serve) pertama untuk pelatihan lanjutan (post-training) memakai data produksi. Artinya, organisasi dapat mendaftar dan mulai melatih model tanpa harus menghubungi tim penjual lebih dulu. Harga layanan belum dicantumkan di pengumuman tersebut.
Putaran Seri A dipimpin Sequoia dengan valuasi 300 juta dolar AS. NVIDIA, Bessemer Venture Partners, dan Bain Capital Ventures ikut berinvestasi. Menurut TechCrunch, perusahaan ini baru berdiri sekitar setahun dan memiliki 18 karyawan. Di situs resminya, Trajectory mencatat total pendanaan tahap awal dan Seri A sebesar 60 juta dolar AS.
Trajectory didirikan oleh Ronak Malde, Michael Elabd, dan Arjun Karanam, tiga teman kuliah di Stanford. Malde termasuk peneliti Windsurf yang direkrut Google DeepMind, Elabd juga pernah bekerja di DeepMind, sedangkan Karanam sebelumnya mengembangkan model fondasi generatif di Apple.
Pengguna awalnya antara lain Harvey, platform AI untuk pekerjaan hukum, dan Rogo, platform AI untuk analis keuangan. Keduanya memakai Trajectory untuk melatih ulang model sumber terbuka, misalnya untuk meninjau jenis kontrak tertentu atau menilai perusahaan dengan metode tertentu. Mercor, Decagon, dan NVIDIA juga disebut sebagai pelanggan.
Malde membandingkan model fondasi dengan mahasiswa doktoral yang sangat pintar, tetapi selalu baru memulai pekerjaan. “But what the economy values is someone who worked on the job for 30 years,” katanya kepada TechCrunch. Maksudnya, yang paling dihargai dunia kerja adalah orang yang sudah puluhan tahun menekuni pekerjaannya.
Pesaing di pasar pelatihan ulang
Trajectory tidak sendirian. TechCrunch mencatat perusahaan ini menganggap Thinking Machines Lab, pembuat platform Tinker, sebagai pesaing langsung. Tinker menyediakan antarmuka pemrograman untuk fine-tuning dan pembelajaran penguatan pada model berbobot terbuka. Pesaing lain adalah Applied Compute, yang bulan lalu divaluasi 3,25 miliar dolar AS, dan Prime Intellect, yang membantu perusahaan membangun serta melatih agen AI sendiri.
Perbedaan yang ditonjolkan Trajectory ada pada penggunanya. Tinker berbentuk antarmuka pemrograman (API) untuk tim teknis, sementara Trajectory, menurut Karanam, merancang antarmuka agar pelanggan nonteknis dapat ikut mengarahkan pelatihan.
Cara kerja continual learning di Trajectory
Continual learning adalah pendekatan yang membuat model terus belajar dari pekerjaan yang ia lakukan, seperti karyawan yang makin terampil seiring waktu. Model yang dipakai saat ini umumnya “dibekukan” setelah dirilis, sehingga kesalahan yang sama dapat terulang sampai ada versi baru.
Di Trajectory, organisasi memulai dari model sumber terbuka, lalu menghubungkan platform ke aplikasinya. Platform mengumpulkan jejak percakapan, koreksi, dan suntingan dari penggunaan sehari-hari. Data itu, bersama contoh jawaban yang dinilai baik oleh pakar, dipakai untuk melatih ulang model.
Menurut Trajectory, pengguna cukup memasukkan sekumpulan tugas beserta cara menilainya. Pelatihan dan penerapan masing-masing dijalankan dengan satu klik. Perusahaan mengklaim integrasinya hanya butuh sekitar lima baris kode, dan menggantikan empat produk yang biasanya harus dirangkai sendiri: lingkungan uji (sandbox), evaluasi, pelatihan, dan penerapan.
Dua fitur pratinjau riset
Platform ini membawa dua fitur yang masih berstatus pratinjau riset. Yang pertama, Continual Grading, mempelajari cara seorang pakar menilai dari beberapa contoh, lalu menerapkan standar itu ke data produksi lainnya. Tujuannya mengurangi pelabelan manual. Yang kedua, Group Size 1, memungkinkan model dilatih dari interaksi nyata setelah dirilis, tanpa perlu berbulan-bulan membangun lingkungan pelatihan.
Masalah yang ingin dipecahkan Continual Grading cukup konkret. Dalam laporan risetnya, Trajectory menghitung bahwa menyusun kriteria penilaian untuk 10.000 tugas, masing-masing 30 menit, memakan 5.000 jam. Jumlah itu setara sekitar dua setengah tahun waktu kerja satu pakar.
Klaim hasil dan batasannya
Trajectory memaparkan beberapa hasil. Satu pelanggan disebut melatih lebih dari delapan model untuk tugas agen yang panjang dan rumit dalam dua minggu. Bersama NVIDIA dan Harvey, Trajectory juga melatih ulang Nemotron 3 Ultra untuk tugas hukum dalam 24 jam setelah model itu dirilis.
Klaim yang paling menonjol menyangkut model kecil. Menurut Trajectory, model Nemotron Lightning naik dari 0% menjadi 8,3% pada ukuran all-pass di tolok ukur Harvey LAB, yaitu porsi tugas hukum yang memenuhi semua kriteria penilaian. Perusahaan menyatakan skor itu menyamai Opus 5.5 milik Anthropic dengan biaya 100 kali lebih murah dan kecepatan 3,8 kali lebih tinggi. Klaim ini berasal dari Trajectory dan belum diuji pihak independen.
Angka 8,3% juga perlu dibaca dalam konteksnya. Tolok ukur ini sangat ketat, sehingga model terbaik pun hanya menyelesaikan sebagian kecil tugas secara sempurna. Dalam laporan Agustus 2026, Trajectory sendiri menulis bahwa dengan lima tugas per kategori praktik hukum, resolusi hasilnya masih kasar.
Laporan Continual Grading juga terbuka soal keterbatasannya. Di tolok ukur τ³-Bench, penilai yang dibangun dari 60 tugas berlabel mampu mengurutkan 80,3% pasangan jawaban sesuai penilaian aslinya. Untuk tugas hukum di Harvey-LAB, akurasi penilai skalar turun di bawah 60%. Trajectory mencatat bahwa penilaian hukum memang sulit, karena penilai ahli Harvey hanya konsisten dengan dirinya sendiri sekitar 86% dari waktu.
Ada pula soal keamanan. Pendekatan ini mirip gagasan recursive self-improvement, yaitu AI yang meningkatkan kemampuannya sendiri. Elabd berpendapat, seperti dikutip TechCrunch, bahwa melibatkan manusia dalam proses pelatihan membuat pendekatan Trajectory lebih aman daripada perbaikan diri yang sepenuhnya otomatis.
Apa artinya bagi organisasi Anda?
Bagi organisasi di Indonesia, kabar ini menunjukkan arah baru dalam memakai AI. Pilihan model tetap penting, dan kini keunggulan juga ditentukan oleh seberapa baik pengetahuan pakar internal diubah menjadi data pelatihan. Bayangkan tim legal yang meninjau ratusan perjanjian kerja sama, analis klaim di perusahaan asuransi, atau petugas layanan pelanggan operator telekomunikasi. Penilaian mereka setiap hari adalah bahan pelatihan yang tidak dimiliki pesaing.
Ada beberapa langkah yang dapat dipertimbangkan sekarang.
- Pilih satu tugas yang sempit. Mulailah dari pekerjaan yang hasilnya dapat dinilai jelas, misalnya meringkas klausul kontrak atau mengelompokkan keluhan pelanggan. Tugas yang terlalu luas sulit diukur kemajuannya.
- Tuliskan arti “jawaban yang baik”. Minta pakar membuat beberapa contoh jawaban yang benar dan yang keliru beserta alasannya. Platform seperti Trajectory memakai contoh semacam itu untuk meniru cara pakar menilai.
- Periksa data produksi sebelum dipakai melatih. Jejak percakapan sering berisi data pribadi pelanggan. Pemrosesan data itu tunduk pada Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, sehingga dasar pemrosesan, penyamaran data, dan lokasi penyimpanannya perlu jelas.
- Pasang gerbang evaluasi dan persetujuan. Setiap versi model baru sebaiknya diuji dengan kumpulan soal tetap dan disetujui penanggung jawab sebelum dipakai pengguna.
Organisasi juga dapat mempertimbangkan model berbobot terbuka yang dijalankan di server sendiri, seperti yang dibahas dalam artikel Mistral Large 4 dan opsi AI di server sendiri. Kombinasi model terbuka dan pelatihan ulang memberi kendali lebih besar atas data dan biaya, tetapi juga menuntut kemampuan mengelola siklus pelatihan dengan disiplin.
Bagi tim yang belum memiliki peneliti AI, pekerjaan menyiapkan data, merancang kriteria penilaian, dan membangun alur evaluasi adalah inti dari layanan machine learning. Bagian ini sering lebih menentukan hasil daripada pilihan platformnya.
Pertanyaan yang sering muncul
Apa itu continual learning?
Continual learning adalah pendekatan agar model AI terus belajar dari pekerjaan yang dilakukannya setelah dirilis. Masukan pengguna dan penilaian pakar dikumpulkan, lalu dipakai untuk melatih ulang model secara berkala sehingga kemampuannya di tugas tertentu meningkat.
Apakah Trajectory dapat dipakai tanpa kemampuan pemrograman?
Sebagian. Pakar dapat memberi contoh penilaian dan memantau hasil lewat antarmuka platform, tetapi menghubungkan aplikasi ke platform tetap membutuhkan pengembang. Trajectory menyebut integrasinya butuh sekitar lima baris kode.
Apa beda continual learning dengan fine-tuning biasa?
Fine-tuning biasanya dilakukan sekali atau sesekali memakai kumpulan data yang disiapkan khusus. Continual learning menjadikan pelatihan ulang sebagai siklus rutin yang memakai data dari penggunaan sehari-hari, dengan penilaian pakar sebagai penentu arah.
Penutup
Peluncuran Trajectory menandai bergesernya pelatihan model AI dari laboratorium besar ke tangan organisasi yang memahami pekerjaannya sendiri. Klaim hasilnya masih perlu diuji pihak independen, tetapi persiapannya dapat dimulai dari sekarang: memilih tugas, merumuskan standar penilaian, dan merapikan data. Jika tim Anda sedang menimbang model AI yang belajar dari pekerjaan sehari-hari, tim Merakit siap membantu merancang langkah awalnya.
Sumber
- TechCrunch: Trajectory raises $45M to make AI model training accessible to nontechnical experts (2 November 2026)
- Trajectory: Own Your Value Function, Introducing the Trajectory Platform (2 November 2026)
- Trajectory: Continual Grading (2 November 2026)
- Trajectory: Continual Learning Cheap Enough to Meter (11 Agustus 2026)
- Thinking Machines Lab: Tinker
- JDIH BPK: Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi
