Den AI som ditt team använde i morse slutade lära sig innan någon av er mötte den. Den lärde sig språk, kunskap och resonemang i en enda lång träningskörning, av mer text än någon skulle kunna läsa. Sedan tog träningen slut, den släpptes, och det den vet låstes.
Sedan dess har ditt team lärt den mycket. De har rättat dess svar, gått igenom den nya returpolicyn med den och förklarat undantaget för din största kund om och om igen. Varje lärdom höll en konversation, och modellen är precis som den var den dag den släpptes.
Hittills har varje AI-modells lärande slutat där dess träning slutar. ACI börjar där. Den lär sig och agerar under körning, medan ditt arbete pågår, i samspel med den modell du redan använder. Det gör den till en ny kategori av intelligens, och Duplex är byggd på den.
En modell lär känna världen i en enda lång träningskörning, innan någon använder den.
Varje modell slutar lära sig när dess träning tar slut.
Modeller slutar lära sig när de släpps, och det av ett gott skäl. Lär ett tränat nätverk något nytt, så tenderar det att skriva över det som det redan kunde; forskare kallar det katastrofal glömska. Håll det stadigt, så behåller det det som det kan men slutar lära sig. Och eftersom allt det har lärt sig är utspritt över hela nätverket kan ingen enskild lärdom rättas eller tas bort utan att det tränas om.
Tillsammans bildar de neurala nätverks trilemma: ett nätverk kan lära sig snabbt, behålla det som det kan eller låta dig ändra det som det har lärt sig, och det får i bästa fall två. Därför tränas varje modell en gång, låses och släpps. Från och med då blir den bättre bara när dess utvecklare tränar nästa version: enligt utvecklarens schema, för alla kunder på en gång, och utifrån världens texter snarare än ditt arbete.
De vanliga sätten att lära en modell ditt arbete håller sig inom den gränsen. En prompt, ett dokument eller ett hämtat textavsnitt lägger fram din senaste korrigering för modellen inför ett svar: modellen läser den, använder den och lär sig ingenting av den. Finjustering får en lärdom att bestå, men varje finjustering är ännu en träningskörning på ett kluster av acceleratorer, och modellen den ger är låst igen den dag körningen tar slut.
ACI lär sig och agerar under körning.
ACI börjar med din första förfrågan. När ditt team bekräftar ett resultat speglar nästa liknande förfrågan det som teamet beslutade. När en regel ändras följer ACI den nya från nästa förfrågan. Den behöver ingen träningskörning och ingen ny version, och din modell förblir som den är.
Varje resultat bygger på det förra, så det nya tränger inte ut det gamla: ett beslut som ditt team avgjorde i mars gäller fortfarande i november, om inte ditt team ändrar det. Och det kan ditt team. Allt ACI har lärt sig kan granskas, korrigeras eller tas bort för sig, och allt annat förblir som det var. Ett neuralt nätverk får i bästa fall två av de tre; ACI förenar alla tre, under körning.
Och den agerar på det den lär sig. För varje förfrågan väljer ACI väg: den svarar på det den har lärt sig, tar in din modell för det som är nytt, informerad om det ACI vet om fallet, eller använder ett av dina verktyg, alltid inom dina regler. När resultatet kommer tillbaka lär sig ACI av det också.
En policyändring sätter allt detta på prov. I tio körningar följde Duplex den nya policyn med 0% inaktuella svar och 100% av sitt tidigare arbete intakt, medan cache och hämtning fortsatte att leverera det gamla svaret i 72% av fallen.
Det är intelligens, och den är din.
ACI lär sig mönstret bakom ett resultat, och det är det som gör den till intelligens. När en förfrågan den känner till kommer tillbaka med nya ord känner den igen den. När en förfrågan bara ser bekant ut ser den skillnaden och lämnar den till din modell. Och när ett arbetsmoment återkommer gång på gång skaffar ACI sig en egen färdighet, visar att den håller innan den används och tar bort den på begäran.
En cache eller en sökning bland tidigare svar fungerar annorlunda. Den hittar det som liknar förfrågan, så ett snarlikt fall får det gamla svaret, och samma förfrågan i nya ord hittar inget som ligger tillräckligt nära. Det är användbart för att hitta ett dokument, men ingen ersättning för att kunna ditt arbete.
ACI lär sig ditt arbete: besluten som ditt team avgör, undantagen det gör, sättet det gör saker på. En modell tillhör labbet som tränade den. Det ACI lär sig tillhör dig, och för allt den har lärt sig kan du se vilken agent det kom från, med vilken modell och när.
En ny sorts intelligens, bredvid den du har.
ACI arbetar i samspel med de AI-modeller du redan använder. Hjärnan parar ihop två inlärare på samma sätt: en långsam för allmän kunskap, som neokortex, och en snabb för varje ny erfarenhet, som hippocampus. Din AI-modell är den långsamma: generell intelligens, inlärd från världen. Duplex, byggd på ACI, är den snabba: körtidsintelligens, inlärd från ditt arbete.
Var och en gör det den gör bäst. Din modell bidrar med bredd och kan ta sig an nästan vilken fråga som helst. ACI bidrar med djup: dina regler, dina beslut och dina resultat, inlärda i detalj. Och att lägga till en intelligens bredvid modellen slår att träna om själva modellen. I sex tester, på tre offentliga datamängder och två modellfamiljer, slog Duplex en finjusterad adapter i alla sex, med i snitt 30.3 procentenheter, utan träningskörning.
Det samspelet är det som gör ACI till en egen kategori: en andra intelligens, snarare än en större modell, en snabbare träningskörning eller ett bättre ställe att förvara dokument på. År av forskning om neurala nätverks trilemma blev ACI: Vareons proprietära algoritmer och arkitektur för en intelligens som lär sig av varje resultat, bygger på det den vet och stannar i dina händer.
Varje modell du använder kommer fortfarande att sluta lära sig den dag den släpps, och det gör nästa också. Det som ändras är allt efter den dagen. Från din första förfrågan lär sig ACI av ditt arbete, och för varje dag den körs kan intelligensen bredvid din modell det arbetet lite bättre. Träningen slutar där den alltid har gjort, och lärandet fortsätter så länge ditt arbete gör det.