Elke vrijdagmiddag stelt iemand in je team het wekelijkse terugbetalingsrapport op. De cijfers worden uit dezelfde systemen gehaald, in dezelfde volgorde gecontroleerd en naar dezelfde mensen gestuurd. Niemand zou het moeilijk noemen. Het is een vaardigheid, één keer geleerd en steeds herhaald, en elke week houdt het een capabel iemand van beter werk af. Elk team heeft wel een dozijn van zulke taken: de afstemming aan het eind van de maand, de accounts voor een nieuwe medewerker, dezelfde drie controles voor elke release.
Je AI kan helpen, maar hij begint elke keer bij nul. Hij leest de instructies, redeneert zich door elke stap en wordt voor elke aanroep betaald, en volgende vrijdag doet hij alles opnieuw. Hij kan de taak doen. Hij leert hem nooit.
Duplex verwerft eigen vaardigheden. Het leert een taak door die te doen, en probeert alleen de stappen die je toestaat, zelfs met je AI uitgeschakeld, en niemand hoeft die stappen op te schrijven. Het test elke vaardigheid voordat het die gebruikt, voert die daarna uit in een fractie van een milliseconde, zonder modelaanroep, en laat die los zodra je erom vraagt.
Op eigen kracht probeert Duplex de stappen die je toestaat, met je AI uitgeschakeld.
Het leert met het model uitgeschakeld.
Mensen leren vaardigheden door ze te doen. Een nieuwe collega probeert de stappen, doet er een paar fout, vindt de volgorde die werkt en doet na een paar weken het werk zonder erbij na te denken. Een model kan zo niet leren, want je werk verandert het niet. Het brengt brede kennis mee naar elke taak en redeneert zich telkens opnieuw naar de stappen, aanroep na aanroep.
Er zijn vandaag de dag goede manieren om een taak gedaan te krijgen, en elk ervan heeft een prijs. Een script of een workflow is betrouwbaar en goedkoop in gebruik zodra iemand het heeft geschreven, en doet alleen waarvoor het geschreven is. Een frontiermodel dat de taak in context uitzoekt, is flexibel en hoeft niet ingericht te worden, en betaalt voor die flexibiliteit bij elke run. Vallen en opstaan leert door te doen, zoals mensen dat doen, en heeft heel veel pogingen nodig om er te komen.
Duplex leert ook door te doen, en je AI kan de hele tijd uitgeschakeld blijven. Het probeert de stappen die je toestaat, binnen grenzen die je zo strak trekt als het werk vraagt, en vindt een weg die het doel bereikt. Leren door te doen is alleen veilig als het doen grenzen heeft, dus alles wat onveilig is, wordt geweigerd voordat het wordt uitgevoerd. Over vier suites en tien runs, elk beoordeeld op zijn slechtste run, voltooide Duplex elke taak met het model uitgeschakeld, met 2.8× minder pogingen dan vallen en opstaan. Het weigerde onderweg in elke run 627 onveilige acties, en leerde toch de veilige weg erdoorheen.
Het verschil wordt zichtbaar over een run. Een frontiermodel dat dezelfde taak in context oploste, deed ongeveer 507 modelaanroepen per run en zocht de taak elke keer opnieuw uit. Duplex leerde de taak met het model uitgeschakeld en deed helemaal geen modelaanroepen. Voor een taak die elke week terugkomt, is dat het verschil tussen een modelrekening die nooit ophoudt en helemaal geen rekening. Duplex leert de taak één keer, en je AI is vrij voor het werk dat redeneren vraagt.
Een frontiermodel dat de taak in context uitzoekt, doet bij elke poging een modelaanroep.
Het test een vaardigheid vóór gebruik, en verwijdert die op verzoek.
Een systeem dat zelfstandig leert, is alleen nuttig als je kunt vertrouwen op wat het leert. De zorg is terecht: een kortere weg die één keer werkte en dan overal wordt gebruikt, of een gewoonte waar niemand om vroeg en die niet meer terug te draaien is. In een getraind model zit wat het leerde door het hele model verspreid, dus kan geen enkele les eruit worden gehaald, en er één herstellen betekent opnieuw trainen.
Duplex test een nieuwe vaardigheid voordat het die gebruikt. Een vaardigheid die het heeft gevonden, gaat pas in gebruik als ze haar controles heeft doorstaan, en tot die tijd gaat het werk door zoals voorheen. Een kortere weg die toevallig één keer werkte, is niet genoeg. Wat je systemen en je klanten bereikt, is een vaardigheid die al heeft laten zien dat ze werkt.
Is ze eenmaal geslaagd, dan kost een vaardigheid bijna niets om opnieuw te gebruiken. Duplex herhaalde een geleerde vaardigheid in 0.26 ms, zonder modelaanroepen, terwijl een model dat in context werkt, betaalt om door elke stap te redeneren telkens als de taak terugkomt. Zoals alles wat Duplex leert, is de vaardigheid van jou, en elke agent die je toestaat, kan die gebruiken. Werk zoals het wekelijkse rapport is niet langer iets wat je AI uitzoekt, maar wordt iets wat Duplex doet.
En je kunt elke vaardigheid terugnemen. Processen veranderen, systemen worden uitgefaseerd, en een stap die vorig kwartaal prima was, is dat nu misschien niet meer. Vraag of een vaardigheid weg kan, en Duplex verwijdert die en laat al het andere dat het leerde zoals het was. In de tests werd elke geleerde vaardigheid op verzoek verwijderd en bit voor bit gecontroleerd, zodat er niets van achterbleef.
Dat is wat ervoor nodig is om een systeem zelfstandig te laten leren: grenzen die je stelt voordat het begint, controles voordat er iets nieuws wordt gebruikt, en de mogelijkheid om elk deel ervan terug te nemen. Met alle drie kan het werk dat je team elke week herhaalt, uitgroeien tot vaardigheden die Duplex vindt, test en uitvoert in een fractie van een milliseconde. Je AI neemt de problemen die redeneren vragen, je mensen maken de afwegingen, en je team krijgt zijn vrijdagen terug.
Een nieuwe vaardigheid die Duplex vond, wordt achtergehouden tot ze de controles doorstaat.