Wanneer je aan een feed-algoritme denkt, zijn er veel intelligente lussen die daar opereren. Er is de daadwerkelijke modelinference-laag, die kijkt naar de recente dingen waarop je hebt geklikt en de nieuwste items in de inventaris om microseconde-beslissingen te nemen over wat je te zien krijgt.

dan is er de automatische trainingslaag - bedrijven instrumenteren gigantische dataflow-pijplijnen van invoerkenmerken en gebruikersbetrokkenheid en retrainen modellen *dagelijks*. de versheid van modellen zorgt ervoor dat je zo dicht mogelijk bij de distributie blijft. cursor zegt dat ze nieuwe modellen *uurlijk* lanceren.

er is de ML buitenluslaag, waar wetenschappers daadwerkelijk werken om nieuwe algoritmen uit te proberen en te zien hoe ze presteren in live A/B-tests en offline metrics. wanneer ze dat doen, veranderen ze een datastroom en een continu trainingsproces in plaats van slechts 1 nieuw model te trainen.

het is allemaal een continuüm en een OODA-lus geoptimaliseerd over vele lagen van abstractie die de recente oproepen voor "voortdurend leren" benaderen. deze "klassieke" ML-systemen die triljoenen aan inkomsten genereren, zijn het waard om dieper over na te denken met betrekking tot de aard van nuttige intelligentie.