Când te gândești la un algoritm de feed, există multe bucle inteligente care operează acolo. Există stratul real de inferență al modelului, care analizează lucrurile recente pe care ai dat click și cele mai proaspete obiecte din inventar pentru a lua decizii în microsecunde despre ce să-ți arate

Apoi există stratul automat de antrenament – companiile instrumentează fluxuri uriașe de date cu funcții de intrare și interacțiuni cu utilizatorii și reantrenează modelele *zilnic*. Prospețimea modelelor asigură că ești cât mai în distribuție posibil. Cursor spune că lansează modele noi *la fiecare oră*

există stratul de buclă externă ML, unde oamenii de știință chiar lucrează pentru a încerca algoritmi noi și a vedea cum se descurcă în teste live A/B și metrici offline. Când fac asta, schimbă un proces de antrenare continuă și flux de date, nu doar un singur model nou

totul este un continuum și o buclă OODA optimizată pe mai multe straturi a de abstracție care se apropie de apelurile recente pentru "învățare continuă". aceste sisteme ML "clasice" care generează trilioane de venituri merită analizate mai profund în ceea ce privește natura inteligenței utile