Mandag klokken ni beder et svar en kunde om at betale portoen for en defekt elkedel, og din supportleder retter det: defekte varer kan returneres gratis. Klokken tolv begynder refusioner over £75 at kræve en leders godkendelse. Om eftermiddagen er formiddagens spørgsmål tilbage med nye ord, og der kommer noget, som ingen har set før. Fredag udkommer en nyere model.
Med en model alene slutter ugen, hvor den begyndte. Fredag aften ved din AI præcis det, den vidste mandag klokken ni, og dit team har brugt fem dage på at lære den ting, den ikke kunne lære.
ACI, Adaptive Continual Intelligence, gør hvert af de øjeblikke til en lektie. Den lærer af resultaterne af dit arbejde, mens arbejdet foregår, og handler på det, den lærer, så når det bliver fredag, er din AI bedre til dit arbejde, end den var mandag.
Mandag, klokken ni: dit team retter et svar, og det næste af samme slags har rettelsen.
En rettelse bliver det næste svar.
Når din supportleder retter svaret om elkedlen, lærer ACI af rettelsen, og allerede den næste kunde, der spørger, får det rettede svar, uanset hvordan spørgsmålet formuleres. Ingen redigerer en prompt, opdaterer et dokument eller venter på en træningskørsel.
I dag lever en rettelse i den samtale, hvor den blev lavet, og slutter med den. Teams, der vil have den til at holde, skriver den ind i en prompt, som vokser med hver undtagelse, indtil ingen er sikker på, hvilke linjer der stadig gælder.
Med ACI lærer de folk, der kender arbejdet, din AI op ved at udføre det. Du kan se, hvem der rettede hvad, og hvornår, og hver rettelse står ved magt, indtil nogen på dit team ændrer den.
Over en strøm af 3,000 beslutninger, hvor reglerne ændrede sig fem gange, havde modellen alene ret i 59.8% af tilfældene. Sæt Duplex, som er bygget på ACI, ved siden af den samme model, og de to havde sammen ret i 94.6% af tilfældene.
Arbejdet ændrer sig, og din AI følger med.
Klokken tolv kommer den nye regel for refusioner over £75. ACI følger den fra næste forespørgsel, og alt andet, den har lært, forbliver, som det var: rettelsen om elkedlen gælder stadig, og det samme gør hver beslutning, dit team afgjorde i sidste måned.
En regelændring starter som regel en jagt. Den gamle regel står skrevet i prompts, dokumenter og cachede svar, og hver kopi, nogen overser, bliver ved med at give det gamle svar, selvsikkert, indtil en kunde opdager det. Med ACI er en regelændring en beslutning, dit team træffer én gang, og ikke en oprydning, der tager hele ugen.
Det var ved regelændringerne i de 3,000 beslutninger, at tilgangene skiltes. På de beslutninger, ændringerne berørte, havde Duplex ret i 92.5% af tilfældene. En cache nåede 42.6% og modellen alene 2.3%.
Jo mere den lærer, jo mindre koster hver forespørgsel.
Ved tretiden kommer de samme spørgsmål igen og igen. ACI besvarer hvert spørgsmål, den har lært, på millisekunder, uden modelkald, og din model tager det nye, hvor den gør sit bedste arbejde.
Overladt til sig selv regner en model hver forespørgsel ud fra bunden, så det tusinde refusionsspørgsmål koster lige så meget som det første og tager lige så lang tid. Regningen vokser med brugen, og det samme gør ventetiden.
Med ACI går omkostningen den anden vej: jo mere af dit arbejde den lærer, jo færre kald får din model. Over de samme 3,000 beslutninger skar Duplex modelkaldene ned med 90.3%, omkostningen med 84.8% og den tid, hvert svar tog, med 81.9%, mens nøjagtigheden steg. En AI, der lærer, bliver billigere, efterhånden som den bliver bedre.
Den ved, hvad den ved.
Klokken halv fem kommer der en forespørgsel, der ligner formiddagens refusioner, men ikke er det: en ordre, der er delt i to, hvor den ene halvdel er leveret og den anden forsvundet. ACI genkender, at den ikke har lært denne sag, og overdrager den til din model, orienteret om det, ACI ved om den.
En cache ville se en refusion som de andre og returnere det svar, den allerede har, rigtigt eller forkert. Modellen alene svarer på hvad som helst, med samme selvsikkerhed, uanset om den kender dine regler eller ej. I begge tilfælde ser fejlene, når de kommer, præcis ud som de rigtige svar.
At den ved, hvor dens viden ender, er det, der gør, at du kan betro ACI mere af arbejdet. Den besvarer det, den har lært, og henter din model ind til det nye i stedet for at gætte.
Testene brugte vildledende dobbeltgængere: forespørgsler, der ligner velkendt arbejde, men er nye. Over ti kørsler tog Duplex fejl på 7.5% af dem, mod 45.3% for en cache.
Det, den lærer, følger dig, hvor du går.
Fredag skifter dit team til den nyere model. Alt, hvad ACI lærte i denne uge, følger med: rettelsen om elkedlen, godkendelsesreglen og hver beslutning, dit team har afgjort, så den nye model starter sin første morgen med dit arbejde allerede ved sin side.
Oplæring, der bor inde i en model, forsvinder med den. En finjusteret adapter hører til den model, den blev trænet på, så en ny model betyder endnu en træningskørsel, og ugens lektier må tages forfra. I testene flyttede det, Duplex havde lært, til en anden modelfamilie uden gentræning, mens ikke én af seks finjusterede adaptere kunne klare flytningen.
Det rækker også ud over modeller. Enhver assistent eller agent, du tillader, kan bruge det, ACI har lært, så en rettelse, der er lavet i din supportassistent, hjælper også den agent, der skriver udkast til dine refusionsmails.
Det var én uge. En model alene begynder hver mandag, som den blev udgivet, ikke klogere på dit arbejde end på sin første dag. Med ACI starter hver uge, hvor den forrige sluttede, og ugerne summer sig op.