A IA que a sua equipa usou esta manhã acabou de aprender antes de qualquer um de vocês a conhecer. Aprendeu linguagem, conhecimento e raciocínio num único treino longo, com mais texto do que alguém alguma vez conseguiria ler. Depois o treino acabou, foi lançada, e o que sabe ficou fixo.
Desde então, a sua equipa ensinou-lhe muita coisa. Corrigiu-lhe as respostas, guiou-a pela nova política de devoluções e explicou-lhe vezes sem conta a exceção do seu maior cliente. Cada lição durou uma conversa, e o modelo está exatamente como no dia em que foi lançado.
Até agora, a aprendizagem de todos os modelos de IA terminou onde termina o seu treino. A ACI começa aí. Aprende e age em execução, enquanto o seu trabalho acontece, em sintonia com o modelo que já usa. Isso faz dela uma nova categoria de inteligência, e o Duplex assenta nela.
Um modelo aprende o mundo num único e longo treino, antes de alguém o usar.
Todos os modelos deixam de aprender quando o treino termina.
Os modelos deixam de aprender no lançamento por uma boa razão. Ensine algo novo a uma rede treinada, e ela tende a sobrescrever o que já sabia; os investigadores chamam-lhe esquecimento catastrófico. Mantenha-a estável, e ela conserva o que sabe mas deixa de aprender. E como o que aprendeu está espalhado por toda ela, nenhuma lição pode ser corrigida ou removida sem a treinar outra vez.
Em conjunto, isto forma o trilema das redes neuronais: uma rede pode aprender depressa, manter o que sabe ou deixá-lo mudar o que aprendeu, e consegue duas, no máximo. Por isso cada modelo é treinado uma vez, fixado e lançado. A partir daí, só melhora quando quem o fez treina a versão seguinte: ao ritmo dele, para todos os clientes ao mesmo tempo, e com o que o mundo escreveu e não com o seu trabalho.
As formas habituais de ensinar o seu trabalho a um modelo ficam dentro desse limite. Um prompt, um documento ou um excerto recuperado põem a sua última correção à frente do modelo para uma resposta: o modelo lê-a, usa-a e não aprende nada com ela. A afinação faz uma lição durar, mas cada afinação é mais um treino num cluster de aceleradores, e o modelo que produz fica outra vez fixo no dia em que o treino termina.
A ACI aprende e age em execução.
A ACI começa com o seu primeiro pedido. Quando a sua equipa confirma um resultado, o próximo pedido do mesmo tipo reflete o que ela decidiu. Quando uma regra muda, a ACI segue a nova a partir do próximo pedido. Não precisa de treino nem de versão nova, e o seu modelo fica como está.
Cada resultado assenta no anterior, por isso o novo não empurra o antigo para fora: uma decisão que a sua equipa tomou em março continua a aplicar-se em novembro, a menos que a sua equipa a mude. E a sua equipa pode. Tudo o que a ACI aprendeu pode ser revisto, corrigido ou removido isoladamente, e tudo o resto fica como estava. Uma rede neuronal consegue duas das três, no máximo; a ACI reúne as três, em execução.
E age com base no que aprende. Em cada pedido, a ACI decide o caminho: responde ao que aprendeu, chama o seu modelo para o que é novo, informado com o que a ACI sabe sobre o caso, ou usa uma das suas ferramentas, sempre dentro das suas regras. Quando o resultado volta, a ACI também aprende com ele.
Uma mudança de política põe tudo isto à prova. Em dez execuções, o Duplex seguiu a nova política com 0% de respostas desatualizadas e 100% do trabalho anterior intacto, enquanto a cache e a recuperação continuaram a servir a resposta antiga 72% das vezes.
É inteligência, e é sua.
A ACI aprende o padrão por trás de um resultado, e é isso que faz dela inteligência. Quando um pedido que conhece volta com outras palavras, reconhece-o. Quando um pedido só parece familiar, percebe a diferença e passa-o ao seu modelo. E quando um trabalho está sempre a voltar, a ACI adquire uma competência própria, comprova-a antes de a usar e remove-a quando lhe pedir.
Uma cache ou uma pesquisa sobre respostas antigas funciona de outra maneira. Encontra o que se parece com o pedido, por isso um caso parecido recebe a resposta antiga, e o mesmo pedido com outras palavras não encontra nada suficientemente próximo. Isso é útil para encontrar um documento, e não substitui conhecer o seu trabalho.
A ACI aprende o seu trabalho: as decisões que a sua equipa toma, as exceções que abre, a forma como faz as coisas. Um modelo pertence ao laboratório que o treinou. O que a ACI aprende é seu, e de tudo o que aprendeu, pode ver de que agente veio, com que modelo e quando.
Um novo tipo de inteligência, ao lado da que já tem.
A ACI trabalha em sintonia com os modelos de IA que já usa. O cérebro combina dois aprendizes da mesma maneira: um lento para o conhecimento geral, como o neocórtex, e um rápido para cada nova experiência, como o hipocampo. O seu modelo de IA é o lento: inteligência geral, aprendida com o mundo. O Duplex, assente na ACI, é o rápido: inteligência em execução, aprendida com o seu trabalho.
Cada um faz o que faz melhor. O seu modelo traz amplitude, e consegue enfrentar quase qualquer pergunta. A ACI traz profundidade: as suas regras, as suas decisões e os seus resultados, aprendidos em pormenor. E acrescentar uma inteligência ao lado do modelo é melhor do que retreinar o próprio modelo. Em seis testes, com três conjuntos de dados públicos e duas famílias de modelos, o Duplex superou um adaptador afinado nos seis, por 30.3 pontos em média, sem treino nenhum.
É essa combinação que faz da ACI uma categoria à parte: uma segunda inteligência, e não um modelo maior, um treino mais rápido ou um sítio melhor para guardar documentos. Anos de investigação sobre o trilema das redes neuronais deram origem à ACI: os algoritmos e a arquitetura proprietários da Vareon para uma inteligência que aprende com cada resultado, assenta no que sabe e fica nas suas mãos.
Cada modelo que usa vai, ainda assim, deixar de aprender no dia em que é lançado, e o próximo também. O que muda é tudo o que vem depois desse dia. Desde o seu primeiro pedido, a ACI aprende com o seu trabalho, e a cada dia que funciona, a inteligência ao lado do seu modelo conhece esse trabalho um pouco melhor. O treino acaba onde sempre acabou, e a aprendizagem continua enquanto o seu trabalho continuar.