quando pensi a un algoritmo di feed, ci sono molti loop intelligenti che operano lì. c'è il vero strato di inferenza del modello, che guarda le ultime cose su cui hai cliccato e gli articoli più freschi nell'inventario per prendere decisioni in microsecondi su cosa mostrarti

poi c'è il layer di addestramento automatico: le aziende strumentano enormi pipeline di flusso di dati con caratteristiche di input e interazioni degli utenti e riaddestrano i modelli *giornalmente*. La freschezza dei modelli assicura che tu sia il più possibile in distribuzione. Il cursore dice che stanno lanciando nuovi modelli *ogni ora*.

c'è il livello esterno del ML, dove gli scienziati lavorano effettivamente per provare nuovi algoritmi e vedere come si comportano nei test A/B dal vivo e nelle metriche offline. Quando lo fanno, stanno cambiando un flusso di dati e un processo di addestramento continuo piuttosto che semplicemente addestrare 1 nuovo modello

è tutto un continuum e un ciclo OODA ottimizzato su molti livelli di astrazione che approssimano le recenti richieste di "apprendimento continuo". Questi sistemi di ML "classici" che generano trilioni di entrate meritano di essere considerati più a fondo riguardo alla natura dell'intelligenza utile.