Den AI, dit team brugte i morges, var færdig med at lære, før nogen af jer mødte den. Den lærte sprog, viden og ræsonnement i én lang træningskørsel, af mere tekst, end nogen kunne læse. Så sluttede dens træning, den blev udgivet, og det, den ved, lå fast.
Siden da har dit team lært den en hel del. De har rettet dens svar, taget den igennem den nye returpolitik og forklaret undtagelsen for din største kunde igen og igen. Hver lektie holdt i én samtale, og modellen er præcis, som den var den dag, den blev udgivet.
Indtil nu er enhver AI-models læring sluttet der, hvor dens træning slutter. ACI begynder der. Den lærer og handler under kørsel, mens dit arbejde foregår, i samspil med den model, du allerede bruger. Det gør den til en ny kategori af intelligens, og Duplex er bygget på den.
En model lærer om verden i én lang træningskørsel, før nogen bruger den.
Hver model holder op med at lære, når dens træning slutter.
Modeller holder op med at lære ved udgivelsen af en god grund. Lær et trænet netværk noget nyt, og det har det med at overskrive det, det allerede vidste; forskere kalder det katastrofal glemsel. Hold det stabilt, og det bevarer, hvad det ved, men holder op med at lære. Og fordi det, det har lært, er spredt ud over det hele, kan ingen enkelt lektie rettes eller fjernes uden at træne det igen.
Tilsammen udgør de neurale netværks trilemma: et netværk kan lære hurtigt, bevare det, det ved, eller lade dig ændre det, det har lært, og det får højst to. Så hver model trænes én gang, låses fast og udgives. Derefter bliver den kun bedre, når producenten træner den næste version: efter producentens tidsplan, for alle kunder på én gang og ud fra alt, hvad verden har skrevet, snarere end ud fra dit arbejde.
De sædvanlige måder at lære en model dit arbejde på holder sig inden for den grænse. En prompt, et dokument eller en hentet passage lægger din seneste rettelse foran modellen til ét svar: modellen læser den, bruger den og lærer intet af den. Finjustering får en lektie til at holde, men hver finjustering er endnu en træningskørsel på en klynge af acceleratorer, og den model, den giver, ligger fast igen den dag, kørslen slutter.
ACI lærer og handler under kørsel.
ACI starter med din første forespørgsel. Når dit team bekræfter et resultat, afspejler den næste forespørgsel af samme slags det, de besluttede. Når en regel ændres, følger ACI den nye fra næste forespørgsel. Den kræver ingen træningskørsel og ingen ny version, og din model forbliver, som den er.
Hvert resultat bygger på det forrige, så det nye skubber ikke det gamle ud: en beslutning, dit team afgjorde i marts, gælder stadig i november, medmindre dit team ændrer den. Og det kan dit team. Alt, hvad ACI har lært, kan gennemgås, rettes eller fjernes for sig, og alt andet forbliver, som det var. Et neuralt netværk får højst to af de tre; ACI forener alle tre, under kørsel.
Og den handler på det, den lærer. For hver forespørgsel beslutter ACI vejen: den besvarer det, den har lært, henter din model ind til det nye, orienteret om det, ACI ved om sagen, eller bruger et af dine værktøjer, altid inden for dine regler. Når resultatet kommer tilbage, lærer ACI også af det.
En politikændring sætter alt dette på prøve. I ti kørsler fulgte Duplex den nye politik med 0% forældede svar og 100% af sit tidligere arbejde intakt, mens cache og genfinding blev ved med at servere det gamle svar i 72% af tilfældene.
Den er intelligens, og den er din.
ACI lærer mønsteret bag et resultat, og det er det, der gør den til intelligens. Når en forespørgsel, den kender, kommer igen med nye ord, kan ACI genkende den. Når en forespørgsel kun ser velkendt ud, ser ACI forskellen og overdrager forespørgslen til din model. Og når et stykke arbejde bliver ved med at komme igen, tilegner ACI sig sin egen færdighed, afprøver den før brug og fjerner den på anmodning.
En cache eller en søgning i tidligere svar fungerer anderledes. Den finder det, der ligner forespørgslen, så en dobbeltgænger får det gamle svar, og den samme forespørgsel med nye ord finder intet, der ligger tæt nok på. Det er nyttigt til at finde et dokument og ingen erstatning for at kende dit arbejde.
ACI lærer dit arbejde: de beslutninger, dit team træffer, de undtagelser, det gør, den måde, det gør tingene på. En model tilhører det laboratorie, der trænede den. Det, ACI lærer, tilhører dig, og for alt, hvad den har lært, kan du se, hvilken agent det kom fra, med hvilken model og hvornår.
En ny slags intelligens, ved siden af den, du har.
ACI arbejder i samspil med de AI-modeller, du allerede bruger. Hjernen parrer to lærende på samme måde: en langsom til generel viden, som neocortex, og en hurtig til hver ny oplevelse, som hippocampus. Din AI-model er den langsomme: generel intelligens, lært fra verden. Duplex, bygget på ACI, er den hurtige: runtime-intelligens, lært fra dit arbejde.
Hver af dem gør det, den gør bedst. Din model bringer bredde og kan tage næsten ethvert spørgsmål. ACI bringer dybde: dine regler, dine beslutninger og dine resultater, lært i detaljer. Og at tilføje en intelligens ved siden af modellen slår at gentræne selve modellen. I seks test, på tre offentlige datasæt og to modelfamilier, slog Duplex en finjusteret adapter i alle seks, med 30.3 point i gennemsnit, uden nogen træningskørsel.
Det samspil er det, der gør ACI til en kategori for sig: en anden intelligens, snarere end en større model, en hurtigere træningskørsel eller et bedre sted at opbevare dokumenter. Mange års forskning i neurale netværks trilemma blev til ACI: Vareons proprietære algoritmer og arkitektur for en intelligens, der lærer af hvert resultat, bygger på det, den ved, og forbliver i dine hænder.
Hver model, du bruger, vil stadig holde op med at lære den dag, den udgives, og det samme vil den næste. Det, der ændrer sig, er alt efter den dag. Fra din første forespørgsel lærer ACI af dit arbejde, og for hver dag den kører, kender intelligensen ved siden af din model det arbejde lidt bedre. Træningen slutter, hvor den altid har gjort, og læringen fortsætter, så længe dit arbejde gør.