Klokken ni på mandag ber et svar en kunde om å betale porto for en defekt vannkoker, og supportlederen din retter det: defekte varer kan returneres gratis. Klokken tolv begynner refusjoner over £75 å kreve godkjenning fra en leder. Utpå ettermiddagen er formiddagens spørsmål tilbake med nye ord, og noe kommer inn som ingen har sett før. På fredag kommer en nyere modell ut.
Med en modell alene slutter uken der den begynte. Fredag kveld vet KI-en din nøyaktig det den visste klokken ni på mandag, og teamet ditt har brukt fem dager på å lære den ting den ikke kunne lære.
ACI, Adaptive Continual Intelligence, gjør hvert av disse øyeblikkene til en lærdom. Den lærer av resultatene av arbeidet ditt mens arbeidet pågår, og handler ut fra det den lærer, så innen fredag er KI-en din bedre på arbeidet ditt enn den var på mandag.
Mandag, klokken ni: teamet ditt retter et svar, og det neste av samme slag har rettelsen.
En rettelse blir neste svar.
Når supportlederen din retter svaret om vannkokeren, lærer ACI av rettelsen, og aller neste kunde som spør, får rettelsen, uansett hvordan de formulerer seg. Ingen redigerer en prompt, oppdaterer et dokument eller venter på en treningskjøring.
I dag lever en rettelse i samtalen der den ble gjort, og forsvinner med den. Team som vil at den skal vare, skriver den inn i en prompt, som vokser med hvert unntak til ingen er sikre på hvilke linjer som fortsatt gjelder.
Med ACI lærer de som kan arbeidet, KI-en din opp ved å gjøre det. Du kan se hvem som rettet hva, og når, og hver rettelse gjelder til noen i teamet ditt endrer den.
Over en strøm på 3,000 beslutninger der reglene endret seg fem ganger, hadde modellen alene rett 59.8% av gangene. Sett Duplex, som er bygget på ACI, ved siden av den samme modellen, og de to sammen hadde rett 94.6% av gangene.
Arbeidet endrer seg, og KI-en din holder tritt.
Klokken tolv kommer den nye regelen om refusjoner over £75. ACI følger den fra neste forespørsel, og alt annet den har lært, forblir som det var: rettelsen om vannkokeren gjelder fortsatt, og det samme gjør hver beslutning teamet ditt avgjorde forrige måned.
En regelendring starter som regel en jakt. Den gamle regelen er skrevet inn i prompter, dokumenter og svar i cachen, og hver kopi noen overser, fortsetter å gi det gamle svaret, selvsikkert, til en kunde merker det. Med ACI er en regelendring en beslutning teamet ditt tar én gang, i stedet for en opprydding som tar hele uken.
Regelendringene i de 3,000 beslutningene er der tilnærmingene skilte lag. På beslutningene de påvirket, hadde Duplex rett 92.5% av gangene. En cache klarte 42.6%, og modellen alene 2.3%.
Jo mer den lærer, desto mindre koster hver forespørsel.
Ved tretiden kommer de samme spørsmålene tilbake igjen og igjen. ACI svarer på hvert av dem den har lært, på millisekunder, uten modellkall, og modellen din tar det som er nytt, der den gjør sitt beste arbeid.
Overlatt til seg selv regner en modell seg frem til hver forespørsel fra bunnen av, så det tusende refusjonsspørsmålet koster like mye som det første og tar like lang tid. Regningen vokser med bruken, og det gjør ventetiden også.
Med ACI går kostnaden den andre veien: jo mer av arbeidet ditt den lærer, desto færre kall får modellen din. Over de samme 3,000 beslutningene kuttet Duplex modellkallene med 90.3%, kostnaden med 84.8% og tiden hvert svar tok med 81.9%, mens nøyaktigheten gikk opp. En KI som lærer, blir billigere etter hvert som den blir bedre.
Den vet hva den vet.
Klokken halv fem kommer en forespørsel som ligner på formiddagens refusjoner, men ikke er det: en ordre delt i to, der den ene halvdelen er levert og den andre har gått tapt. ACI gjenkjenner at den ikke har lært denne saken, og overleverer den til modellen din, orientert med det ACI vet om den.
En cache ville sett en refusjon som de andre og returnert svaret den allerede har, riktig eller galt. Modellen alene svarer på hva som helst, med samme selvsikkerhet enten den kjenner reglene dine eller ikke. Uansett kommer feilene og ser nøyaktig ut som de riktige svarene.
Det at den vet hvor kunnskapen dens slutter, er det som lar deg betro ACI mer av arbeidet. Den svarer på det den har lært, og henter inn modellen din til det som er nytt, i stedet for å gjette.
Testene brukte villedende dobbeltgjengere: forespørsler som ser ut som kjent arbeid, men er nye. Over ti kjøringer tok Duplex feil på 7.5% av dem, mot 45.3% for en cache.
Det den lærer, blir med dit du går.
På fredag bytter teamet ditt til den nyere modellen. Alt ACI lærte denne uken, blir med: rettelsen om vannkokeren, godkjenningsregelen og hver beslutning teamet ditt avgjorde, så den nye modellen starter sin første morgen med arbeidet ditt allerede ved siden av seg.
Opplæring som lever inne i en modell, forsvinner med den. En finjustert adapter hører til modellen den ble trent på, så en ny modell betyr en ny treningskjøring, og ukens lærdommer må læres bort på nytt. I testene flyttet det Duplex lærte, til en annen modellfamilie uten omtrening, mens ikke én av seks finjusterte adaptere klarte flyttingen.
Og det strekker seg lenger enn til modeller. Enhver assistent eller agent du tillater, kan bruke det ACI har lært, så en rettelse gjort i supportassistenten din hjelper også agenten som skriver utkast til e-postene dine om refusjoner.
Det var én uke. En modell alene begynner hver mandag slik den ble lansert, ikke klokere på arbeidet ditt enn den første dagen. Med ACI starter hver uke der den forrige sluttet, og ukene summerer seg.