När du tänker på en feedalgoritm finns det många intelligenta loopar som verkar där. Det finns det faktiska modellinferenslagret, som tittar på de senaste sakerna du klickat på och de färskaste föremålen i inventariet för att fatta mikrosekundersbeslut om vad som ska visas

Sedan finns det det automatiska träningslagret – företag instrumenterar enorma dataflödespipelines av inmatningsfunktioner och användarengagemang och tränar om modeller *dagligen*. Fräschhet i modeller säkerställer att du är så nära distribution som möjligt. Cursor säger att de lanserar nya modeller *varje timme*

det finns ML outer loop-lagret, där forskare faktiskt gör arbete för att testa nya algoritmer och se hur de presterar i live A/B-tester och offline-mätvärden. När de gör det ändrar de ett dataflöde och en kontinuerlig träningsprocess istället för att bara träna en ny modell

allt är ett kontinuum och en OODA-loop optimerad över många lager a av abstraktion som närmar sig de senaste kraven på "kontinuerligt lärande". dessa "klassiska" ML-system som genererar biljoner i intäkter är värda att fundera djupare på vad gäller användbar intelligens