W poniedziałek o dziewiątej odpowiedź każe klientowi zapłacić za przesyłkę wadliwego czajnika, a kierownik wsparcia ją poprawia: wadliwy towar wraca bezpłatnie. W południe zwroty powyżej £75 zaczynają wymagać zatwierdzenia przez kierownika. Po południu poranne pytania wracają w nowych słowach i przychodzi coś, czego nikt wcześniej nie widział. W piątek wychodzi nowszy model.
Z samym modelem tydzień kończy się tam, gdzie się zaczął. W piątek wieczorem twoja AI wie dokładnie to samo, co wiedziała w poniedziałek o dziewiątej, a twój zespół spędził pięć dni, ucząc ją rzeczy, których nie mogła się nauczyć.
ACI, Adaptive Continual Intelligence, zamienia każdą z tych chwil w lekcję. Uczy się z wyników twojej pracy w trakcie pracy i działa na podstawie tego, czego się uczy, więc w piątek twoja AI lepiej radzi sobie z twoją pracą niż w poniedziałek.
Poniedziałek, dziewiąta: twój zespół poprawia odpowiedź, a następna podobna ma już poprawkę.
Korekta staje się następną odpowiedzią.
Gdy kierownik wsparcia poprawia odpowiedź o czajniku, ACI uczy się z tej korekty, a już następny klient, który zapyta, dostaje poprawioną odpowiedź, jakkolwiek sformułuje pytanie. Nikt nie edytuje promptu, nie aktualizuje dokumentu ani nie czeka na trening.
Dziś korekta żyje w rozmowie, w której ją wprowadzono, i kończy się razem z nią. Zespoły, które chcą, żeby przetrwała, wpisują ją do promptu, który rośnie z każdym wyjątkiem, aż nikt nie jest pewien, które linijki wciąż obowiązują.
Z ACI ludzie, którzy znają pracę, uczą twoją AI, po prostu ją wykonując. Widzisz, kto co poprawił i kiedy, a każda korekta obowiązuje, dopóki ktoś z twojego zespołu jej nie zmieni.
W strumieniu 3,000 decyzji, w którym zasady zmieniły się pięć razy, sam model miał rację w 59.8% przypadków. Gdy obok tego samego modelu stanął Duplex, zbudowany na ACI, razem miały rację w 94.6% przypadków.
Praca się zmienia, a twoja AI nadąża.
W południe przychodzi nowa zasada dla zwrotów powyżej £75. ACI stosuje ją od następnego zapytania, a wszystko inne, czego się nauczyła, zostaje tak, jak było: korekta w sprawie czajnika nadal obowiązuje, podobnie jak każda decyzja, którą twój zespół rozstrzygnął w zeszłym miesiącu.
Zmiana zasady zwykle zaczyna polowanie. Stara zasada jest wpisana w prompty, dokumenty i odpowiedzi w cache, a każda kopia, którą ktoś przeoczy, dalej daje starą odpowiedź, z pewnością siebie, dopóki nie zauważy tego klient. Z ACI zmiana zasady to decyzja, którą twój zespół podejmuje raz, a nie sprzątanie na cały tydzień.
To przy zmianach zasad w tych 3,000 decyzji drogi podejść się rozeszły. W decyzjach objętych zmianami Duplex miał rację w 92.5% przypadków. Cache osiągnął 42.6%, a sam model 2.3%.
Im więcej się uczy, tym mniej kosztuje każde zapytanie.
O trzeciej te same pytania wracają w kółko. ACI odpowiada na każde, którego się nauczyła, w milisekundach, bez wywołania modelu, a twój model bierze to, co nowe, czyli to, w czym jest najlepszy.
Zostawiony sam sobie model rozpatruje każde zapytanie od zera, więc tysięczne pytanie o zwrot kosztuje tyle samo co pierwsze i trwa tak samo długo. Rachunek rośnie z użyciem, a razem z nim czas oczekiwania.
Z ACI koszt idzie w drugą stronę: im więcej twojej pracy się nauczy, tym mniej wywołań dostaje twój model. W tych samych 3,000 decyzji Duplex zmniejszył liczbę wywołań modelu o 90.3%, koszt o 84.8%, a czas każdej odpowiedzi o 81.9%, podczas gdy dokładność wzrosła. AI, która się uczy, tanieje w miarę, jak staje się lepsza.
Wie, co wie.
O wpół do piątej przychodzi zapytanie, które wygląda jak poranne zwroty, choć jest czymś innym: zamówienie podzielone na dwie części, jedna dostarczona, druga zagubiona. ACI rozpoznaje, że nie nauczyła się tej sprawy, i przekazuje ją twojemu modelowi, z kontekstem tego, co ACI o niej wie.
Cache uznałby to za zwrot jak każdy inny i podał odpowiedź, którą już ma, trafną czy nie. Sam model odpowiada na wszystko, z tą samą pewnością, niezależnie od tego, czy zna twoje zasady. Tak czy inaczej błędne odpowiedzi wyglądają dokładnie tak samo jak trafne.
To, że ACI wie, gdzie kończy się jej wiedza, pozwala powierzyć jej więcej pracy. Odpowiada na to, czego się nauczyła, a przy tym, co nowe, zamiast zgadywać, włącza twój model.
W testach użyto mylących, łudząco podobnych zapytań: takich, które wyglądają jak znajoma praca, a są nowe. W dziesięciu przebiegach Duplex odpowiedział błędnie na 7.5% z nich, wobec 45.3% w przypadku cache.
To, czego się uczy, idzie tam, gdzie ty.
W piątek twój zespół przechodzi na nowszy model i zabiera ze sobą wszystko, czego ACI nauczyła się w tym tygodniu: korektę w sprawie czajnika, zasadę zatwierdzania i każdą decyzję, którą rozstrzygnął, więc nowy model zaczyna swój pierwszy poranek z twoją pracą już u boku.
Nauka, która żyje wewnątrz modelu, odchodzi razem z nim. Dostrojony adapter należy do modelu, na którym go wytrenowano, więc nowy model oznacza kolejny trening, a lekcje z całego tygodnia trzeba przekazać od nowa. W testach to, czego nauczył się Duplex, przeszło do innej rodziny modeli bez ponownego trenowania, podczas gdy żaden z sześciu dostrojonych adapterów nie zdołał wykonać tego przejścia.
To wykracza też poza modele. Każdy asystent albo agent, któremu pozwolisz, może korzystać z tego, czego nauczyła się ACI, więc korekta wprowadzona w twoim asystencie wsparcia pomaga też agentowi, który pisze wiadomości w sprawie zwrotów.
To był jeden tydzień. Sam model zaczyna każdy poniedziałek taki, jaki został wydany, ani trochę mądrzejszy w sprawie twojej pracy niż pierwszego dnia. Z ACI każdy tydzień zaczyna się tam, gdzie skończył się poprzedni, a tygodnie się sumują.