Когда вы думаете о алгоритме ленты, там работает много интеллектуальных циклов. Существует фактический слой вывода модели, который смотрит на последние вещи, на которые вы кликнули, и на самые свежие предметы в инвентаре, чтобы принимать решения за микросекунды о том, что вам показать.

затем есть автоматический слой обучения - компании создают гигантские потоки данных с входными признаками и взаимодействиями пользователей и переобучают модели *ежедневно*. свежесть моделей гарантирует, что вы находитесь как можно ближе к распределению. cursor говорит, что они запускают новые модели *ежечасно*

существует внешний цикл ML, где ученые действительно работают, чтобы попробовать новые алгоритмы и посмотреть, как они работают в живых A/B тестах и оффлайн метриках. Когда они это делают, они изменяют поток данных и процесс непрерывного обучения, а не просто обучают 1 новую модель.

всё это является континуумом и циклом OODA, оптимизированным на многих уровнях абстракции, которые приближаются к недавним призывам к "постоянному обучению". Эти "классические" системы машинного обучения, которые создают триллионы дохода, стоят более глубокого размышления о природе полезного интеллекта.