De flesta team tar till finjustering när modellen gång på gång gör samma fel. Den sorterar in faktureringsfrågor under teknisk support, skriver i en ton som ditt varumärke aldrig skulle använda och missar de undantag som dina experter tillämpar utan att tänka. Det de vill ha är blygsamt: en modell som svarar som om den hade jobbat där i ett år.
Vägen dit är ett träningsprojekt. Någon samlar in och rensar exempel, kör ett svep av träningsjobb för att hitta de inställningar som fungerar, kontrollerar resultatet och levererar en ny version av modellen. Det fungerar, och det är ett projekt, med budget och tidsplan. Sedan ändras en policy, eller så kommer en bättre modell, och projektet börjar om.
Duplex ger dig det som finjustering är till för, utifrån ditt teams eget arbete, och lämnar modellen precis som den är. Varje resultat som ditt team bekräftar lär den något, så anpassningen är aktuell från nästa förfrågan. Och eftersom den arbetar bredvid modellen snarare än inuti den följer anpassningen med dig till nästa.
En finjustering skriver om vikterna, en modell och en träningskörning i taget.
Bättre än finjustering, utan träningskörning.
Finjustering förtjänar sin plats. Den ändrar modellens vikter, så det nya beteendet följer med i varje anrop, utan någon lång prompt att skicka med, och för en bestående förändring av en modell är den ett sunt val.
Kostnaden ligger i allt runt omkring förändringen. Varje anpassning är ett projekt i sig, och det modellen har lärt sig låses i samma stund som körningen tar slut. En regel som ändras på fredag får vänta på nästa körning, och fram till dess fortsätter modellen att tillämpa den gamla.
Det team finjusterar för är oftast beteende: etiketterna de använder, tonen de vill ha, besluten som deras experter fattar på samma sätt varje gång. Duplex lär sig precis det från själva arbetet: ett svar som ditt team godkände, en etikett som någon rättade, ett undantag som en chef bekräftade. Den som upptäcker ett misstag rättar det, och rättelsen gäller från nästa förfrågan, i stället för att ligga i en mapp med exempel och vänta på nästa träningsprojekt.
Duplex är byggd på ACI, Adaptive Continual Intelligence, som lär sig och agerar under körning och lämnar din modells vikter i fred. Duplex behöver ingen GPU, så det finns ingen träningskörning att planera, betala för eller vänta på, och ingen ny version av modellen att leverera.
Ställd direkt mot finjustering drog Duplex det längsta strået. I sex tester, vart och ett mot en finjusterad adapter som valts ut ur ett svep av träningskörningar, anpassade den samma modell, som lämnades precis som den var, och slog adaptern varje gång, med i snitt 30.3 procentenheter.
Sex tester: tre offentliga datamängder med avsikter, var och en körd på två öppna modellfamiljer.
Den flyttar med när din modell gör det.
Din AI är generell intelligens, inlärd långsamt, som neokortex: den lärde sig världen innan du kom, och ditt arbete förändrar den inte. Duplex är körtidsintelligens, snabb, som hippocampus: den lär sig av varje resultat som ditt team bekräftar. Finjustering ber den långsamma inläraren göra den snabbas jobb, och det har två kostnader som team brukar upptäcka först i efterhand.
Den första gäller korrigering. Varje exempel i en finjustering blandas in i vikterna, de bra med de dåliga, så när ett av dem visar sig vara fel, till exempel ett svar som angav förra årets rabatt, finns det inget att peka på och plocka bort. Vägen tillbaka är att träna om, utan det.
Den andra gäller flytt. En finjustering hör till den modell den tränades på, så när en bättre modell kommer blir den kvar, och projektet börjar om: svepet körs igen, resultatet kontrolleras igen, och fram till dess vet den nya modellen ingenting om ditt arbete.
Det Duplex lär sig arbetar bredvid modellen, så ingen av kostnaderna uppstår. Du kan se var varje lärdom kom ifrån och korrigera eller ta bort den för sig, medan allt annat förblir som det var. Byt modell, så följer anpassningen med dig: när arbetet flyttades till en annan modellfamilj behövde Duplex ingen omträning, medan de finjusterade adaptrarna klarade flytten i inget av sex tester.
Ett exempel som din modell lärde sig av visar sig vara fel och måste tas bort.
När du ändå vill träna lämnar Duplex över datan.
Vissa jobb kräver faktiskt träning: en modell som behöver en förmåga den saknar, eller vikter som måste köras på egen hand, på en enhet eller inuti en produkt du levererar. För dem gör Duplex träningen bättre.
Det svåraste i varje träningsprojekt är datan: rena exempel, kontrollerade av människor som kan arbetet. Ditt team har bekräftat precis sådana hela tiden, som en del av den vanliga arbetsdagen. Duplex förbereder dem åt ditt träningsteam, vart och ett med sitt ursprung, och du väljer vad som kommer med och vad som lämnas utanför.
Träningen ersätter inte heller det Duplex har lärt sig. När den nya modellen är klar arbetar allt detta bredvid den från första förfrågan, varje resultat därefter fortsätter att lära Duplex, och när nästa modell kommer flyttar anpassningen igen.
Anpassning slutar vara ett projekt med budget och tidsplan och blir en del av arbetet. Ditt team rättar, bekräftar och beslutar, som det gör varje dag, och din AI svarar som om den hade tränats på allt det. Modellen förblir ett val du kan ändra när som helst, och anpassningen blir något du äger.