cuando piensas en un algoritmo de feed, hay muchos bucles inteligentes operando allí. hay la capa de inferencia del modelo real, que observa las cosas recientes en las que has hecho clic y los artículos más frescos en el inventario para tomar decisiones en microsegundos sobre qué mostrarte

entonces está la capa de entrenamiento automático: las empresas instrumentan enormes flujos de datos de características de entrada y compromisos de usuarios y vuelven a entrenar los modelos *diariamente*. La frescura de los modelos asegura que estés lo más alineado posible con la distribución. Cursor dice que están lanzando nuevos modelos *cada hora*.

hay una capa externa de ML, donde los científicos realmente trabajan para probar nuevos algoritmos y ver cómo se desempeñan en pruebas A/B en vivo y métricas fuera de línea. cuando lo hacen, están cambiando un flujo de datos y un proceso de entrenamiento continuo en lugar de simplemente entrenar 1 nuevo modelo

todo es un continuo y un bucle OODA optimizado a través de muchas capas de abstracción que aproximan las recientes llamadas a "aprendizaje continuo". Estos sistemas de ML "clásicos" que generan billones en ingresos merecen ser pensados más profundamente en relación con la naturaleza de la inteligencia útil.