På sin första dag börjar en nyanställd i ditt supportteam inte från noll. Hon får returpolicyn, en mapp med ärenden som teamet hanterade väl, undantagen som alla kan utantill och en kollega som berättar vilka fall som går till en chef. Hon gör nytta under sin första vecka eftersom teamet lämnar över det som det redan kan.
En AI får sällan något sådant välkomnande. En ny assistent börjar utan något av det, så ditt team förklarar samma saker igen, en korrigering i taget, och korrigeringarna överlever sällan sessionen. Kunskapen fanns där hela tiden, i granskade ärenden, godkännandetrådar, policydokument och driftmanualer, och AI:n ser den bara när någon klistrar in den eller en sökning råkar hitta den.
Duplex kan börja så som en bra nyanställd gör. Den lär sig det som ditt team redan litar på innan den tas i bruk, så den är användbar från första förfrågan, och den fortsätter att lära sig av varje resultat som ditt team bekräftar.
Börja med det ditt team redan vet.
Börja med det du redan kan.
De flesta team har redan materialet, utspritt över de verktyg de använder. Det finns granskade exempel och beslut som de står bakom, policyer och handböcker, verktygskörningar som fungerade och metoder de litar på: hur en återbetalning godkänns, vilken väg en faktureringstvist tar, kontrollerna innan ett avtal går ut.
I dag når det materialet AI på några välbekanta sätt, och vart och ett har sin nytta. En prompt går snabbt, men den måste följa med varje förfrågan, och den växer tills ingen vågar redigera den. En dokumentsökning hittar det textavsnitt som mest liknar frågan, vilket hjälper när någon vet vad som ska frågas. En finjustering ändrar själva modellen, till priset av ett träningsprojekt som låses fast den dag det tar slut.
Att förträna Duplex är något annat. Den lär sig av materialet före sin första förfrågan, på samma sätt som den lär sig av skarpt arbete: den förstår beslutet bakom varje exempel, var det gäller och var det inte gör det. Ditt team placerar varje del i det arbetsområde där den hör hemma, så att supportens handbok styr supportsvaren och aldrig ekonomiteamets godkännanden.
Och Duplex vet var varje del kom ifrån. Ett svar som den ger på dag ett kommer med exemplen bakom det, och varje exempel leder tillbaka till det beslut eller dokument det vilar på, så ditt team kan kontrollera svaret innan det litar på det.
Användbar från första förfrågan, aktuell från och med då.
På dag ett tar Duplex sig an det arbete den förtränades på från första förfrågan: returfrågan som kommer in varje morgon, återbetalningen som kräver en chefs godkännande, tvisten som hör hemma hos faktureringen. Den avgör dem på millisekunder, utan modellanrop, och allt annat går till din AI med det Duplex vet om fallet bifogat. Ditt team slutar förklara grunderna, och din AI lägger sin tid på det som är nytt.
Förträning är ett försprång, och Duplex är användbar utan det. Startad tom lär den sig enbart av skarpt arbete, ett bekräftat resultat i taget, vilket passar ett team med lite material att börja med. Förtränad börjar den med det som ditt team redan visste, i stället för att upptäcka det resultat för resultat.
Ett försprång är bara början. Policyer ändras, verktyg ändras och människor hittar bättre metoder, så en ögonblicksbild av det ditt team visste på dag ett blir inaktuell vid första policyändringen. För en AI-modell är förträningen där lärandet slutar: den lär sig världen, släpps och förblir som den är. För Duplex är förträningen där lärandet börjar.
När en policy ändras följer Duplex den nya från nästa förfrågan, och allt annat den har lärt sig, från förträningen eller ur skarpt arbete, förblir som det var. Försprånget förblir ett försprång, i stället för att bli något som ditt team måste arbeta runt.
När Duplex startar tom lär den sig enbart av skarpt arbete, ett bekräftat resultat i taget.
Tydligt slår stort.
Frestelsen är att hälla in allt: varje ärende, varje tråd, varje version av varje policy. Mer känns säkrare, och arkiv är lätta att exportera.
Men ett stort arkiv blandar tydliga exempel med inaktuella, motstridiga och tvivelaktiga: policyn från två versioner sedan, två chefer som avgjorde samma fall på två sätt, svaret som skickades och aldrig kontrollerades. Lär man sig av alltihop följer tvivlet med kunskapen.
En liten uppsättning tydliga, aktuella exempel lär ut mer än ett stort arkiv av osäkra. Ett tydligt exempel är ett som ditt team skulle ge igen i dag, av ett skäl det kan förklara. Ditt team granskar vad som kommer med och väljer de beslut det står bakom. Ta med fallen som ska gå till en människa, så lär sig Duplex att lämna över dem i stället för att gissa.
Dag ett är inte heller slutgiltig. Om ett exempel visar sig vara fel, eller policyn bakom det ändras, kan ditt team korrigera eller ta bort just den lärdomen, och allt annat Duplex har lärt sig förblir som det var.
En bra nyanställd gör nytta under första veckan tack vare det teamet lämnade över, och är bra under första året tack vare allt som lärs in i jobbet. Duplex fungerar på samma sätt. Förträningen är överlämningen, och varje resultat som ditt team bekräftar efter det är lärande i jobbet.
Ett stort arkiv blandar tydliga exempel med inaktuella, motstridiga och tveksamma.