Bir besleme algoritması düşündüğünüzde, orada çalışan birçok akıllı döngü vardır. Gerçek model çıkarma katmanı var; bu katman, en son tıkladığınız şeylere ve envanterdeki en taze öğelere bakarak size ne göstereceğinize dair mikrosaniye içinde karar veriyor

Sonra otomatik eğitim katmanı var - şirketler dev veri akışı boru hatlarını giriş özellikleri ve kullanıcı etkileşimleri için ölçüler ve modelleri *günlük* yeniden eğitir. Modellerin tazeliği, dağıtımda olabildiğince etkili olmanızı sağlar. Cursor, yeni modelleri *saatlik* piyasaya sürdüklerini söylüyor

ML dış döngü katmanı var; burada bilim insanları yeni algoritmalar denemek ve canlı A/B testlerinde ve çevrimdışı metriklerde nasıl performans gösterdiklerini görmek için çalışıyorlar. Bunu yaptıklarında, sadece yeni bir model eğitmek yerine veri akışını ve sürekli eğitim sürecini değiştiriyorlar

hepsi bir süreklilik ve birçok katman üzerinde optimize edilmiş bir OODA döngüsü soyutlama ve yakın zamanda "sürekli öğrenme" çağrılarını yakın şekilde yansıtan bir soyutlama. Trilyonlarca gelir getiren bu "klasik" makine öğrenimi sistemleri, faydalı zekanın doğası hakkında daha derinlemesine düşünmeye değer