Duplex hittar nya färdigheter på egen hand, inom dina gränser.

Människor lär sig färdigheter genom att utöva dem. En nyanställd prövar stegen, gör några fel, hittar den ordning som fungerar och gör efter några veckor jobbet utan att tänka på det. En modell kan inte lära sig på det sättet, eftersom ditt arbete inte förändrar den. Den tar med sig bred kunskap till varje uppgift och resonerar sig fram till stegen på nytt, anrop efter anrop.

Det finns bra sätt att få en uppgift gjord i dag, och vart och ett har sitt pris. Ett skript eller ett arbetsflöde är pålitligt och billigt att köra när någon väl har skrivit det, och det gör bara det som det skrevs för. En spetsmodell som löser uppgiften i kontext är flexibel och kräver ingen konfiguration, och den betalar för den flexibiliteten vid varje körning. Att pröva sig fram är att lära genom att göra, som människor gör, och det kräver väldigt många försök innan man är framme.

Duplex lär sig också genom att göra, och din AI kan vara avstängd hela tiden. Den prövar de steg du tillåter, inom gränser som du drar så snävt som arbetet kräver, och hittar en väg som når målet. Att lära genom att göra är bara säkert när görandet har gränser, så allt som är osäkert avvisas innan det körs. I fyra testsviter över tio körningar, var och en bedömd efter sin sämsta körning, klarade Duplex varje uppgift med modellen avstängd, med 2.8× färre försök än att pröva sig fram. Den avvisade 627 osäkra handlingar i varje körning längs vägen och lärde sig ändå den säkra vägen igenom.

Skillnaden syns över en körning. En spetsmodell som löste samma uppgift i kontext gjorde ungefär 507 modellanrop per körning och räknade ut uppgiften på nytt varje gång. Duplex lärde sig den med modellen avstängd och gjorde inga modellanrop alls. För en uppgift som återkommer varje vecka är det skillnaden mellan en modellräkning som aldrig tar slut och ingen räkning alls. Duplex lär sig uppgiften en gång, och din AI är fri för det arbete som kräver resonemang.

Ett system som lär sig på egen hand är bara användbart om du kan lita på det den lär sig. Oron är befogad: en genväg som fungerade en gång och sedan används överallt, eller en vana som ingen bad om och som inte går att ta tillbaka. I en tränad modell är det den har lärt sig utspritt över hela modellen, så ingen enskild lärdom kan lyftas ut, och att rätta en innebär att träna om.

Duplex testar en ny färdighet innan den använder den. En färdighet den har hittat tas i bruk först när den har klarat sina kontroller, och fram till dess fortsätter arbetet som förut. En genväg som råkade fungera en gång räcker inte. Det som når dina system och dina kunder är en färdighet som redan har visat att den fungerar.

När en färdighet väl har klarat sina kontroller kostar den nästan ingenting att använda igen. Duplex upprepade en inlärd färdighet på 0.26 ms, utan modellanrop, där en modell som arbetar i kontext betalar för att resonera sig igenom varje steg varje gång uppgiften återkommer. Som allt Duplex lär sig tillhör färdigheten dig, och varje agent du tillåter kan använda den. Arbete som veckorapporten slutar vara något din AI räknar ut och blir något Duplex gör.

Och du kan ta tillbaka vilken färdighet som helst. Processer ändras, system avvecklas, och ett steg som var i sin ordning förra kvartalet är det kanske inte nu. Be att en färdighet ska bort, så tar Duplex bort den och lämnar allt annat den har lärt sig som det var. I testerna togs varje inlärd färdighet bort på begäran och kontrollerades bit för bit, så att inget av den lämnades kvar.

Det är vad som krävs för att låta ett system lära sig på egen hand: gränser som du sätter innan det börjar, kontroller innan något nytt används och makten att ta tillbaka vad som helst av det. Med alla tre kan arbetet som ditt team upprepar varje vecka bli färdigheter som Duplex hittar, testar och kör på en bråkdel av en millisekund. Din AI tar problemen som kräver resonemang, dina medarbetare gör bedömningarna, och ditt team får tillbaka sina fredagar.