De laatste keer dat je AI beter werd, had je team daar niets mee te maken. Een lab trainde een nieuwe versie volgens zijn eigen planning, en iedereen die dat model gebruikt, kreeg op dezelfde dag dezelfde upgrade.
Intussen proberen de mensen die je werk het best kennen hem elke dag iets te leren: de boekhouder die weet welke leverancier altijd te laat factureert, de engineer die weet welke melding je kunt negeren, de teamleider support die weet wat je klanten bedoelen als ze schrijven. Dat is de intelligentie die er voor je bedrijf het meest toe doet, en tot nu toe was een trainingsrun de enige manier om een AI daar iets van te leren.
ACI, Adaptive Continual Intelligence, verandert wie AI kan laten leren. De boekhouder, de engineer en de teamleider support worden zijn leraren terwijl ze werken, en wat het leert, is van jou. Het leren verhuist van een paar labs naar ieders werkdag.
Tot nu toe leerde AI in het lab, in lange trainingsruns, en kreeg iedereen hetzelfde model.
AI laten leren was werk voor een lab.
Om een model te laten leren, had je een trainingspipeline nodig, een cluster accelerators en een team om ze te draaien. Dus gebeurde het leren in de labs, en kreeg elke klant hetzelfde model, dat dezelfde dingen wist en niets over het werk van een bepaald bedrijf.
Bedrijven die meer wilden, kozen voor fine-tuning, en vonden dezelfde fabriek in het klein. Iemand bereidt de data voor, reserveert de accelerators, draait de training en test het resultaat, en wat eruit komt is weer een vast model, verouderd zodra er voor het eerst een regel verandert. Zo begint de cyclus opnieuw.
ACI maakt leren deel van het dagelijkse werk. Het leert van je resultaten terwijl het werk gebeurt, zonder trainingsrun en zonder GPU, dus het leren heeft geen lab om zich heen nodig. Één persoon in een eigen assistent heeft dezelfde ACI als een hele onderneming.
De intelligentie verhuist naar waar het werk is.
Een model je werk leren betekende altijd dat je je werk naar de training bracht: gesprekken en documenten naar de fine-tuningdienst van een lab sturen, of naar een eigen cluster. Het leren gebeurde waar de accelerators stonden.
ACI draait dat om. Het leert waar je werk gebeurt, in de omgeving die jij kiest: Vareon cloud, je eigen cloud of helemaal geen cloud. Een klein team kan in Vareon cloud beginnen. Een bedrijf met een eigen cloud draait ACI in zijn eigen account, en een onderneming die niets buiten haar netwerk wil laten gaan, draait het daarbinnen.
Waar het ook draait, je data hoeven niet weg om je AI slimmer te maken. Wat ACI daar leert, weerspiegelt jouw werk en dat van niemand anders, en staat los van wat andere klanten bezitten.
Het groeit aan.
Leren dat elke dag gebeurt, telt op. Elk resultaat dat je team bevestigt, maakt het volgende vergelijkbare verzoek sneller, goedkoper en nauwkeuriger. Hoe langer ACI draait, hoe meer van je werk het kan overnemen, en hoe meer je model zijn tijd kan besteden aan wat nieuw is.
Je kunt het in één run zien gebeuren. Over een stroom van 3,000 beslissingen waarin de regels vijf keer veranderden, ging Duplex, dat op ACI is gebouwd, tijdens het draaien van 85.0% nauwkeurigheid naar 94.6%, terwijl de kosten per beslissing met ongeveer twee derde daalden.
Dat is wat AI van een kostenpost tot kapitaal maakt. Iedereen kan morgen hetzelfde model huren als jij, tegen dezelfde prijs. Niemand kan huren wat je werk ACI heeft geleerd, en elke maand dat het draait, groeit de afstand tussen jouw AI en die van hen.
Het model wordt elke keer jouw keuze.
Modellen worden steeds beter, en het beste model voor je werk verandert steeds: een nieuwe release, een betere prijs, een model dat het ene team beter past dan het andere. Als wat je AI leerde in één model zit, betekent elke wissel opnieuw beginnen.
ACI leert naast het model in plaats van erin, dus bij een modelwissel blijft wat het leerde onaangeroerd. Wissel om de prijs, om de kwaliteit of om wat één team nodig heeft, en de intelligentie die je werk heeft opgebouwd, gaat mee. In tests op twee modelfamilies ging Duplex zonder enige hertraining van de ene naar de andere.
Dat verandert de machtsverhoudingen. De labs strijden om het beste model te bouwen, en jij kunt elk model nemen zodra het uitkomt. De blijvende waarde van je AI verschuift van het model dat je huurt naar de intelligentie die je bezit.
Waar het naartoe leidt.
Een model wordt beter als zijn maker het volgende traint. Een agent met ACI wordt elke dag dat hij werkt beter, door zijn eigen resultaten: hij handelt, het resultaat komt terug, ACI leert ervan, en de volgende actie begint vanaf dat punt.
We geloven: Agents zullen beter worden met een tweede intelligentie naast zich, in een recursieve lus, tijdens runtime. ACI is die tweede intelligentie. Elk resultaat maakt de volgende actie beter, en elke betere actie levert een beter resultaat op om van te leren. De lus draait binnen je werk, in het tempo van je werk, in plaats van in een lab tussen releases door.
Vermenigvuldig die lus met elke persoon, elk team en elk bedrijf. Ieder bouwt een eigen intelligentie op, uit eigen werk, in een zelfgekozen omgeving, en bezit die terwijl ze groeit. De modellen blijven veranderen, en wat ACI leert, blijft groeien naast welk model er ook volgt.
De krachtigste modellen blijven in labs getraind worden. De intelligentie die er voor jou het meest toe doet, zal worden geleerd waar het werk is, elke dag, van de mensen die het doen.