Hver fredag eftermiddag laver en fra dit team den ugentlige refusionsrapport. Tallene hentes fra de samme systemer, kontrolleres i den samme rækkefølge og sendes til de samme mennesker. Ingen ville kalde det svært. Det er en færdighed, lært én gang og gentaget, og hver uge tager den en dygtig person væk fra bedre arbejde. Hvert team har et dusin opgaver af den slags: afstemningen ved månedsafslutning, brugerkontiene til en nyansat, de samme tre kontroller før hver udgivelse.
Din AI kan hjælpe, men den starter fra ingenting hver gang. Den læser instruktionerne, ræsonnerer sig igennem hvert trin og bliver betalt for hvert kald, og næste fredag gør den det hele igen. Den kan udføre opgaven. Den lærer den aldrig.
Duplex tilegner sig egne færdigheder. Den lærer en opgave ved at udføre den, prøver kun de trin, du tillader, selv med din AI slukket, og ingen behøver at skrive trinene ned. Den tester hver færdighed, før den bruger den, kører den derefter på en brøkdel af et millisekund, uden modelkald, og giver slip på den, i det øjeblik du beder om det.
På egen hånd prøver Duplex de trin, du tillader, med din AI slået fra.
Den lærer med modellen slået fra.
Mennesker lærer færdigheder ved at udføre dem. En nyansat prøver trinene, tager fejl i et par af dem, finder den rækkefølge, der virker, og udfører efter et par uger opgaven uden at tænke over det. En model kan ikke lære på den måde, fordi dit arbejde ikke ændrer den. Den bringer bred viden til hver opgave og ræsonnerer sig frem til trinene på ny, kald efter kald.
Der findes gode måder at få en opgave løst på i dag, og hver af dem har en pris. Et script eller et workflow er pålideligt og billigt at køre, når nogen først har skrevet det, og det gør kun det, det blev skrevet til. En frontiermodel, der løser opgaven i kontekst, er fleksibel og kræver ingen opsætning, og den betaler for den fleksibilitet i hver kørsel. Metoden forsøg og fejl lærer ved at gøre, som mennesker gør, og skal bruge rigtig mange forsøg for at nå dertil.
Duplex lærer også ved at gøre, og din AI kan forblive slukket hele tiden. Den prøver de trin, du tillader, inden for grænser, du trækker så stramt, som arbejdet kræver, og finder en vej, der når målet. At lære ved at gøre er kun sikkert, når det, der gøres, har grænser, så alt usikkert afvises, før det køres. På tværs af fire testsuiter over ti kørsler, hver bedømt efter sin dårligste kørsel, gennemførte Duplex hver opgave med modellen slukket, med 2.8× færre forsøg end metoden forsøg og fejl. Undervejs afviste den 627 usikre handlinger i hver kørsel og lærte alligevel den sikre vej igennem.
Forskellen viser sig over en kørsel. En frontiermodel, der løste den samme opgave i kontekst, foretog omkring 507 modelkald pr. Kørsel og regnede opgaven ud på ny hver gang. Duplex lærte den med modellen slukket og foretog slet ingen modelkald. For en opgave, der kommer igen hver uge, er det forskellen mellem en modelregning, der aldrig ender, og slet ingen. Duplex lærer opgaven én gang, og din AI er fri til det arbejde, der kræver ræsonnement.
En frontiermodel, der løser opgaven i kontekst, foretager et modelkald ved hvert forsøg.
Den tester en færdighed, før den bruger den, og fjerner den på anmodning.
Et system, der lærer på egen hånd, er kun nyttigt, hvis du kan stole på det, det lærer. Bekymringen er rimelig: en genvej, der virkede én gang og derefter bliver brugt overalt, eller en vane, ingen bad om, og som ikke kan tages tilbage. I en trænet model er det, den har lært, spredt ud over det hele, så ingen enkelt lektie kan løftes ud, og at rette én betyder at træne igen.
Duplex tester en ny færdighed, før den bruger den. En færdighed, den har fundet, tages først i brug, når den har bestået sine kontroller, og indtil da fortsætter arbejdet som før. En genvej, der tilfældigvis virkede én gang, er ikke nok. Det, der når dine systemer og dine kunder, er en færdighed, der allerede har vist, at den virker.
Når en færdighed har bestået, koster den næsten ingenting at bruge igen. Duplex gentog en lært færdighed på 0.26 ms, uden modelkald, hvor en model, der arbejder i kontekst, betaler for at ræsonnere sig gennem hvert trin, hver gang opgaven kommer igen. Som alt, hvad Duplex lærer, tilhører færdigheden dig, og enhver agent, du tillader, kan bruge den. Arbejde som den ugentlige rapport holder op med at være noget, din AI regner ud, og bliver noget, Duplex gør.
Og du kan tage enhver færdighed tilbage. Processer ændrer sig, systemer udfases, og et trin, der var fint i sidste kvartal, er måske ikke fint nu. Bed om at få en færdighed fjernet, og Duplex fjerner den og lader alt andet, den har lært, være, som det var. I testene blev hver lært færdighed fjernet på anmodning og kontrolleret bit for bit, så intet af den blev tilbage.
Det er, hvad der skal til for at lade et system lære på egen hånd: grænser, du sætter, før det starter, kontroller, før noget nyt tages i brug, og magten til at tage hvad som helst af det tilbage. Med alle tre kan det arbejde, dit team gentager hver uge, blive til færdigheder, som Duplex finder, tester og kører på en brøkdel af et millisekund. Din AI tager de problemer, der kræver ræsonnement, dine folk foretager vurderingerne, og dit team får sine fredage tilbage.
En ny færdighed, Duplex har fundet, holdes tilbage, indtil den har bestået sine kontroller.