Když si představíte algoritmus podávající, funguje tam mnoho inteligentních smyček. Existuje vrstva skutečného modelového inference, která sleduje nedávné věci, na které jste klikli, a nejčerstvější položky v inventáři, aby mohla v mikrosekundách rozhodnout, co vám ukáže

Pak je tu automatická tréninková vrstva – obří datové pipeline firem s vstupními funkcemi a uživatelskými zapojeními a denně přetrénují modely. Čerstvost modelů zajišťuje, že budete co nejvíce distribuováni. Kurzor říká, že nové modely uvádějí na trh *každou hodinu*

existuje vrstva ML vnější smyčky, kde vědci skutečně zkoušejí nové algoritmy a sledují, jak si vedou v živých A/B testech a offline metrikách. Když tak udělají, mění tím proces datového toku a kontinuálního trénování, místo aby jen trénovali jeden nový model

je to celé kontinuum a OODA smyčka optimalizovaná přes mnoho vrstev abstrakce, která se blíží nedávným výzvám k "neustálému učení". Tyto "klasické" ML systémy, které generují biliony příjmů, stojí za to hlouběji přemýšlet o povaze užitečné inteligence