De AI die je team vanochtend gebruikte, was al klaar met leren voordat iemand van jullie hem leerde kennen. Hij leerde taal, kennis en redeneren in één lange trainingsrun, uit meer tekst dan iemand ooit zou kunnen lezen. Daarna eindigde zijn training, werd hij uitgebracht, en lag vast wat hij weet.
Sindsdien heeft je team hem heel wat geleerd. Ze hebben zijn antwoorden gecorrigeerd, hem door het nieuwe retourbeleid geloodst en de uitzondering voor je grootste klant keer op keer uitgelegd. Elke les duurde één gesprek, en het model is precies zoals het was op de dag dat het werd uitgebracht.
Tot nu toe hield het leren van elk AI-model op waar zijn training eindigde. Daar begint ACI. Het leert en handelt tijdens runtime, terwijl je werk gebeurt, hand in hand met het model dat je al gebruikt. Dat maakt het een nieuwe categorie intelligentie, en Duplex is erop gebouwd.
Een model leert de wereld kennen in één lange trainingsrun, voordat iemand het gebruikt.
Elk model stopt met leren als zijn training eindigt.
Modellen stoppen niet zonder reden met leren bij hun release. Leer een getraind netwerk iets nieuws, en het overschrijft vaak wat het al wist; onderzoekers noemen dat catastrofaal vergeten. Houd het stabiel, en het behoudt wat het weet, maar stopt met leren. En omdat wat het leerde door het hele netwerk verspreid zit, kan geen enkele les worden gecorrigeerd of verwijderd zonder het opnieuw te trainen.
Samen vormen ze het trilemma van neurale netwerken: een netwerk kan snel leren, behouden wat het weet of je laten aanpassen wat het leerde, en het haalt er hooguit twee. Dus wordt elk model één keer getraind, vastgezet en uitgebracht. Vanaf dan wordt het alleen beter als zijn maker de volgende versie traint: volgens de planning van de maker, voor alle klanten tegelijk, en uit wat de wereld schreef in plaats van uit je werk.
De gebruikelijke manieren om een model je werk te leren, blijven binnen die grens. Een prompt, een document of een opgehaalde passage legt je laatste correctie voor één antwoord aan het model voor: het model leest die, gebruikt die en leert er niets van. Fine-tuning maakt een les blijvend, maar elke fine-tune is weer een trainingsrun op een cluster accelerators, en het model dat eruit komt, ligt weer vast op de dag dat de run eindigt.
ACI leert en handelt tijdens runtime.
ACI begint bij je eerste verzoek. Als je team een resultaat bevestigt, weerspiegelt het volgende vergelijkbare verzoek wat het team besliste. Als een regel verandert, volgt ACI de nieuwe vanaf het volgende verzoek. Er is geen trainingsrun en geen nieuwe versie voor nodig, en je model blijft zoals het is.
Elk resultaat bouwt voort op het vorige, dus het nieuwe verdringt het oude niet: een beslissing die je team in maart nam, geldt in november nog steeds, tenzij je team die verandert. En dat kan je team ook. Alles wat ACI heeft geleerd, kan afzonderlijk worden beoordeeld, gecorrigeerd of verwijderd, en al het andere blijft zoals het was. Een neuraal netwerk haalt hooguit twee van de drie; ACI verenigt alle drie, tijdens runtime.
En het handelt naar wat het leert. Voor elk verzoek bepaalt ACI de route: het beantwoordt wat het heeft geleerd, haalt je model erbij voor wat nieuw is, gebriefd met wat ACI over het geval weet, of gebruikt een van je tools, altijd binnen jouw regels. Als het resultaat terugkomt, leert ACI ook daarvan.
Een beleidswijziging stelt dit allemaal op de proef. In tien runs volgde Duplex het nieuwe beleid met 0% verouderde antwoorden en 100% van zijn eerdere werk intact, terwijl cache en retrieval in 72% van de gevallen het oude antwoord bleven geven.
Het is intelligentie, en het is van jou.
ACI leert het patroon achter een resultaat, en dat maakt het tot intelligentie. Als een verzoek dat het kent terugkomt in nieuwe woorden, herkent het dat. Als een verzoek alleen bekend lijkt, ziet het het verschil en geeft het door aan je model. En als een stuk werk steeds terugkomt, verwerft ACI een eigen vaardigheid, bewijst die vóór gebruik en verwijdert die op verzoek.
Een cache of een zoekfunctie over eerdere antwoorden werkt anders. Die vindt wat op het verzoek lijkt, dus een dubbelganger krijgt het oude antwoord, en hetzelfde verzoek in nieuwe woorden vindt niets wat dichtbij genoeg komt. Dat is handig om een document te vinden, en geen vervanging voor kennis van je werk.
ACI leert je werk: de beslissingen die je team neemt, de uitzonderingen die het maakt, de manier waarop het dingen doet. Een model is van het lab dat het trainde. Wat ACI leert, is van jou, en bij alles wat het heeft geleerd, zie je van welke agent het kwam, met welk model en wanneer.
Een nieuw soort intelligentie, naast degene die je hebt.
ACI werkt hand in hand met de AI-modellen die je al gebruikt. Het brein koppelt twee leerders op dezelfde manier: een langzame voor algemene kennis, zoals de neocortex, en een snelle voor elke nieuwe ervaring, zoals de hippocampus. Je AI-model is de langzame: algemene intelligentie, geleerd uit de wereld. Duplex, gebouwd op ACI, is de snelle: runtime-intelligentie, geleerd uit je werk.
Elk doet waarin het uitblinkt. Je model brengt breedte, en kan bijna elke vraag aan. ACI brengt diepte: jouw regels, jouw beslissingen en jouw resultaten, tot in detail geleerd. En een intelligentie naast het model zetten werkt beter dan het model zelf hertrainen. In zes tests, op drie openbare datasets en twee modelfamilies, versloeg Duplex een gefinetunede adapter in alle zes, met gemiddeld 30.3 punten, zonder trainingsrun.
Die koppeling maakt ACI tot een eigen categorie: een tweede intelligentie, in plaats van een groter model, een snellere trainingsrun of een betere plek om documenten te bewaren. Jaren onderzoek naar het trilemma van neurale netwerken werden ACI: de eigen algoritmen en architectuur van Vareon voor een intelligentie die van elk resultaat leert, voortbouwt op wat ze weet en in jouw handen blijft.
Elk model dat je gebruikt, stopt nog steeds met leren op de dag dat het wordt uitgebracht, en het volgende ook. Wat verandert, is alles na die dag. Vanaf je eerste verzoek leert ACI van je werk, en elke dag dat het draait, kent de intelligentie naast je model dat werk een beetje beter. De training eindigt waar ze altijd eindigde, en het leren gaat door zolang je werk doorgaat.