Die KI, die dein Team heute Morgen genutzt hat, war mit dem Lernen fertig, bevor einer von euch ihr begegnet ist. Sie hat Sprache, Wissen und Denkvermögen in einem langen Trainingslauf gelernt, aus mehr Text, als irgendjemand lesen könnte. Dann endete ihr Training, sie wurde veröffentlicht, und was sie weiß, stand fest.
Seitdem hat dein Team ihr eine Menge beigebracht. Deine Leute haben ihre Antworten korrigiert, sie durch die neue Rückgaberichtlinie geführt und die Ausnahme für deinen größten Kunden immer wieder erklärt. Jede Erkenntnis hielt ein Gespräch lang, und das Modell ist genau so, wie es am Tag seiner Veröffentlichung war.
Bisher endete das Lernen jedes KI-Modells dort, wo sein Training endet. ACI beginnt genau dort. Es lernt und handelt zur Laufzeit, während deine Arbeit läuft, Hand in Hand mit dem Modell, das du schon nutzt. Das macht es zu einer neuen Kategorie von Intelligenz, und Duplex ist darauf gebaut.
Ein Modell lernt die Welt in einem langen Trainingslauf, bevor es jemand nutzt.
Jedes Modell hört auf zu lernen, wenn sein Training endet.
Modelle hören aus gutem Grund mit der Veröffentlichung auf zu lernen. Bringst du einem trainierten Netz etwas Neues bei, überschreibt es meist, was es schon wusste; die Forschung nennt das katastrophales Vergessen. Hältst du es stabil, behält es, was es weiß, lernt aber nicht mehr. Und weil das Gelernte über das ganze Netz verteilt ist, lässt sich keine einzelne Erkenntnis korrigieren oder entfernen, ohne es neu zu trainieren.
Zusammen bilden sie das Trilemma neuronaler Netze: Ein Netz kann schnell lernen, behalten, was es weiß, oder dich ändern lassen, was es gelernt hat, und es schafft höchstens zwei davon. Also wird jedes Modell einmal trainiert, festgeschrieben und veröffentlicht. Von da an wird es nur besser, wenn sein Hersteller die nächste Version trainiert: nach dem Zeitplan des Herstellers, für alle Kunden gleichzeitig und aus den Texten der Welt statt aus deiner Arbeit.
Die üblichen Wege, einem Modell deine Arbeit beizubringen, bleiben innerhalb dieser Grenze. Ein Prompt, ein Dokument oder eine abgerufene Passage legt dem Modell deine neueste Korrektur für eine Antwort vor: Das Modell liest sie, nutzt sie und lernt nichts daraus. Fine-Tuning macht eine Erkenntnis dauerhaft, aber jedes Fine-Tuning ist ein weiterer Trainingslauf auf einem Cluster aus Beschleunigern, und das Modell, das dabei herauskommt, steht an dem Tag, an dem der Lauf endet, wieder fest.
ACI lernt und handelt zur Laufzeit.
ACI beginnt mit deiner ersten Anfrage. Wenn dein Team ein Ergebnis bestätigt, spiegelt die nächste ähnliche Anfrage seine Entscheidung wider. Ändert sich eine Regel, folgt ACI ab der nächsten Anfrage der neuen. Es braucht keinen Trainingslauf und keine neue Version, und dein Modell bleibt, wie es ist.
Jedes Ergebnis baut auf dem letzten auf, also verdrängt das Neue nicht das Alte: Eine Entscheidung, die dein Team im März geklärt hat, gilt im November noch, es sei denn, dein Team ändert sie. Und das kann es. Alles, was ACI gelernt hat, lässt sich einzeln prüfen, korrigieren oder entfernen, und alles andere bleibt, wie es war. Ein neuronales Netz schafft höchstens zwei der drei; ACI vereint alle drei, zur Laufzeit.
Und es handelt nach dem, was es lernt. Bei jeder Anfrage entscheidet ACI über den Weg: Es beantwortet, was es gelernt hat, zieht für das Neue dein Modell hinzu, gebrieft mit dem, was ACI über den Fall weiß, oder nutzt eines deiner Werkzeuge, immer im Rahmen deiner Regeln. Wenn das Ergebnis zurückkommt, lernt ACI auch daraus.
Eine Richtlinienänderung stellt all das auf die Probe. In zehn Läufen folgte Duplex der neuen Richtlinie mit 0% veralteten Antworten und behielt 100% seiner früheren Arbeit intakt, während Cache und Retrieval in 72% der Fälle weiter die alte Antwort lieferten.
Es ist Intelligenz, und es gehört dir.
ACI lernt das Muster hinter einem Ergebnis, und genau das macht es zu Intelligenz. Kommt eine Anfrage, die es kennt, in neuen Worten zurück, erkennt es sie. Sieht eine Anfrage nur vertraut aus, erkennt es den Unterschied und übergibt sie an dein Modell. Und wenn eine Arbeit immer wiederkommt, erwirbt ACI eine eigene Fertigkeit, erprobt sie vor dem Einsatz und entfernt sie auf Wunsch.
Ein Cache oder eine Suche über frühere Antworten arbeitet anders. Beide finden, was wie die Anfrage aussieht, also bekommt ein Doppelgänger die alte Antwort, und dieselbe Anfrage in neuen Worten findet nichts, was nah genug ist. Das ist nützlich, um ein Dokument zu finden, und kein Ersatz dafür, deine Arbeit zu kennen.
ACI lernt deine Arbeit: die Entscheidungen, die dein Team klärt, die Ausnahmen, die es macht, die Art, wie es Dinge erledigt. Ein Modell gehört dem Labor, das es trainiert hat. Was ACI lernt, gehört dir, und bei allem, was es gelernt hat, siehst du, von welchem Agenten es kam, mit welchem Modell und wann.
Eine neue Art von Intelligenz, neben der, die du hast.
ACI arbeitet Hand in Hand mit den KI-Modellen, die du schon nutzt. Das Gehirn paart zwei Lerner auf dieselbe Weise: einen langsamen für allgemeines Wissen, wie der Neokortex, und einen schnellen für jede neue Erfahrung, wie der Hippokampus. Dein KI-Modell ist der langsame: allgemeine Intelligenz, aus der Welt gelernt. Duplex, auf ACI gebaut, ist der schnelle: Laufzeit-Intelligenz, aus deiner Arbeit gelernt.
Beide tun, was sie am besten können. Dein Modell bringt Breite mit und kann fast jede Frage übernehmen. ACI bringt Tiefe mit: deine Regeln, deine Entscheidungen und deine Ergebnisse, im Detail gelernt. Und eine Intelligenz neben das Modell zu stellen ist besser, als das Modell selbst neu zu trainieren. In sechs Tests, auf drei öffentlichen Datensätzen und zwei Modellfamilien, schlug Duplex einen feinabgestimmten Adapter in allen sechs, im Schnitt um 30.3 Punkte, ohne Trainingslauf.
Dieses Zusammenspiel macht ACI zu einer eigenen Kategorie: eine zweite Intelligenz statt eines größeren Modells, eines schnelleren Trainingslaufs oder eines besseren Orts, um Dokumente aufzubewahren. Aus jahrelanger Forschung zum Trilemma neuronaler Netze wurde ACI: die proprietären Algorithmen und die Architektur von Vareon für eine Intelligenz, die aus jedem Ergebnis lernt, auf dem aufbaut, was sie weiß, und in deinen Händen bleibt.
Jedes Modell, das du nutzt, wird weiterhin an dem Tag aufhören zu lernen, an dem es veröffentlicht wird, und das nächste ebenso. Was sich ändert, ist alles nach diesem Tag. Ab deiner ersten Anfrage lernt ACI aus deiner Arbeit, und an jedem Tag, an dem es läuft, kennt die Intelligenz neben deinem Modell diese Arbeit ein wenig besser. Das Training endet, wo es immer geendet hat, und das Lernen geht weiter, solange deine Arbeit weitergeht.