Quando você pensa em um algoritmo de feed, há muitos loops inteligentes operando ali. Existe a camada real de inferência do modelo, que analisa as coisas recentes em que você clicou e os itens mais recentes do inventário para tomar decisões em microssegundos sobre o que mostrar

Depois, há a camada automática de treinamento – as empresas instrumentam pipelines gigantes de fluxo de dados de recursos de entrada e engajamento de usuários e retreinam modelos *diariamente*. A frescura dos modelos garante que você esteja o mais disponível possível na distribuição. Cursor diz que eles vão lançar novos modelos *a cada hora*

existe a camada de loop externo de ML, onde os cientistas realmente trabalham para testar novos algoritmos e ver como eles se saem em testes A/B ao vivo e métricas offline. Quando fazem isso, estão alterando um processo de fluxo de dados e treinamento contínuo, em vez de apenas treinar um novo modelo

tudo é um contínuo e um loop OODA otimizado por várias camadas a de abstração que se aproxima dos recentes apelos por "aprendizado contínuo". esses sistemas "clássicos" de ML que geram trilhões em receita valem a pena ser considerados mais profundamente sobre a natureza da inteligência útil