Sidste gang din AI blev bedre, havde dit team intet med det at gøre. Et laboratorie trænede en ny version efter sin egen tidsplan, og alle, der bruger den model, fik den samme opgradering samme dag.
Imens prøver de mennesker, der kender dit arbejde bedst, at lære den noget hver dag: bogholderen, der ved, hvilken leverandør der altid fakturerer for sent, ingeniøren, der ved, hvilken alarm man kan se bort fra, supportlederen, der ved, hvad dine kunder mener, når de skriver. Det er den intelligens, der betyder mest for din virksomhed, og indtil nu var den eneste måde at lære en AI noget af det på en træningskørsel.
ACI, Adaptive Continual Intelligence, ændrer, hvem der kan få AI til at lære. Bogholderen, ingeniøren og supportlederen bliver dens lærere, mens de arbejder, og det, den lærer, tilhører dig. Læringen flytter ud af nogle få laboratorier og ind i alles arbejdsdag.
Indtil nu lærte AI på laboratoriet, i lange træningskørsler, og alle fik den samme model.
At få AI til at lære var laboratoriernes arbejde.
For at få en model til at lære krævede det en træningspipeline, en klynge af acceleratorer og et team til at drive dem. Så læringen foregik på laboratorierne, og hver kunde fik den samme model, som vidste de samme ting og intet om nogen enkelt virksomheds arbejde.
Virksomheder, der ville have mere, vendte sig mod finjustering og fandt den samme fabrik i miniatureformat. Nogen forbereder dataene, booker acceleratorerne, kører træningen og tester resultatet, og det, der kommer ud, er endnu en fastlåst model, forældet første gang en regel ændres. Så begynder cyklussen forfra.
ACI gør læring til en del af det daglige arbejde. Den lærer af dine resultater, mens arbejdet foregår, uden træningskørsel og uden GPU, så læringen kræver intet laboratorie omkring sig. Én person i sin egen assistent har den samme ACI som en hel virksomhed.
Intelligensen flytter derhen, hvor arbejdet er.
At lære en model dit arbejde har altid betydet, at du måtte bringe dit arbejde hen til træningen: sende samtaler og dokumenter til et laboratories finjusteringstjeneste eller til din egen klynge. Læringen foregik der, hvor acceleratorerne var.
ACI vender det om. Den lærer der, hvor dit arbejde foregår, i den placering, du vælger: Vareon cloud, din egen cloud eller slet ingen cloud. Et lille team kan starte i Vareon cloud. En virksomhed med sin egen cloud kører ACI i sin egen konto, og en storvirksomhed, der ikke vil have noget til at forlade sit netværk, kører den dér.
Uanset hvor den kører, behøver dine data ikke at sendes ud for at gøre din AI klogere. Det, ACI lærer der, afspejler dit arbejde og ingen andres, og det er adskilt fra det, nogen anden kunde ejer.
Det bliver ved med at vokse.
Læring, der sker hver dag, summer sig op. Hvert resultat, dit team bekræfter, gør den næste forespørgsel af samme slags hurtigere, billigere og mere præcis. Jo længere ACI kører, jo mere af dit arbejde kan den påtage sig, og jo mere af din models tid går til det nye.
Du kan se det ske i en enkelt kørsel. Over en strøm af 3,000 beslutninger, hvor reglerne ændrede sig fem gange, gik Duplex, som er bygget på ACI, fra 85.0% nøjagtighed til 94.6% undervejs, mens omkostningen pr. Beslutning faldt med omkring to tredjedele.
Det er det, der forvandler AI fra en omkostning til et aktiv. Alle kan leje den samme model som du i morgen, til samme pris. Ingen kan leje det, dit arbejde har lært ACI, og for hver måned den kører, vokser afstanden mellem din AI og deres.
Modellen bliver dit valg, hver gang.
Modeller bliver ved med at blive bedre, og den bedste til dit arbejde skifter hele tiden: en ny udgivelse, en bedre pris, en model, der passer bedre til ét team end til et andet. Når det, din AI har lært, bor inde i én model, betyder hvert skift, at du må starte forfra.
ACI lærer ved siden af modellen i stedet for inde i den, så et modelskift lader det, den har lært, være urørt. Skift for prisens skyld, for kvalitetens eller for ét teams behov, og den intelligens, dit arbejde har opbygget, følger med. I test på to modelfamilier flyttede Duplex fra den ene til den anden helt uden gentræning.
Det ændrer magtbalancen. Laboratorierne konkurrerer om at bygge den bedste model, og du kan tage hver enkelt i brug, efterhånden som den udkommer. Den varige værdi af din AI flytter fra den model, du lejer, til den intelligens, du ejer.
Hvor det fører hen.
En model bliver bedre, når producenten træner den næste. En agent med ACI bliver bedre hver dag, den arbejder, ud fra sine egne resultater: den handler, resultatet kommer tilbage, ACI lærer af det, og den næste handling starter derfra.
Vi tror, at Agenter vil blive bedre med en anden intelligens ved siden af sig, i en rekursiv løkke, under kørsel. ACI er den anden intelligens. Hvert resultat gør den næste handling bedre, og hver bedre handling bringer et bedre resultat tilbage at lære af. Løkken kører inde i dit arbejde, i dit arbejdes tempo, i stedet for inde i et laboratorie mellem udgivelserne.
Gang den løkke med hver person, hvert team og hver virksomhed. Hver af dem opbygger sin egen intelligens, ud fra sit eget arbejde, i den placering, den har valgt, og ejer den, mens den vokser. Modellerne vil blive ved med at skifte, og det, ACI lærer, bliver ved med at vokse ved siden af hvilken model der end kommer som den næste.
De mest kompetente modeller vil fortsat blive trænet på laboratorier. Den intelligens, der betyder mest for dig, vil blive lært der, hvor arbejdet er, hver dag, af de mennesker, der udfører det.