Trajectory opublikował nowy stos technologiczny, który pozwala trenować wiele LoRA jednocześnie w ramach uczenia ciągłego i osiąga przy tym 2,81-krotny wzrost wydajności. LoRA, czyli Low-Rank Adaptation, to technika fine-tuningu modeli pozwalająca na dostrojenie dużych modeli języka przy znacznie mniejszych wymaganiach obliczeniowych niż tradycyjne metody. Do tej pory trenowanie kilku takich adaptacji równolegle było skomplikowane i zasobochłonne, ale nowe rozwiązanie Trajectory radykalnie upraszcza ten proces.
Dla deweloperów pracujących nad personalizacją LLM to ważny krok naprzód. Jednoczesny training wielokrotnych LoRA ma praktyczne zastosowanie w scenariuszach, gdzie model musi obsługiwać różne specjalizacje czy domeny bez multiplikowania infrastruktury. Zmniejszenie wymagań obliczeniowych to nie tylko oszczędność kosztów, ale też przyspieszenie eksperymentów - badacze mogą szybciej testować hipotezy i iterować swoje podejścia do uczenia ciągłego, czyli zdolności systemów AI do nauki z nowych danych bez zapominania o poprzednich.
To rozwiązanie ma potencjał, by przyspieszyć badania nad adaptacyjnymi systemami sztucznej inteligencji, szczególnie w kontekście wdrażania gotowych modeli do specjalistycznych aplikacji. Publikacja przez Trajectory może znaczyć, że technologia stanie się bardziej dostępna dla szerszej grupy zespołów pracujących nad dostosowywaniem AI do konkretnych potrzeb biznesowych i badawczych.