ARP
Dentro del pipeline de mejora de habilidades con ML.
Nuestro primer ejemplo de aprendizaje continuo: generar candidatos, predecir, ejecutar, evaluar y aprender de la evidencia.
Leer artículoLa mejora como parte del sistemaAprende del trabajo.
Aprende del trabajo.
Construye sobre lo útil.
Los agentes pueden ayudar a crecer al sistema además de ejecutar su trabajo. Exploramos cómo los resultados de la ejecución pueden orientar mejores habilidades y mejores decisiones sobre qué probar después.
Investigación y desarrollo · primer pipeline implementadoPrimer ejemplo: el pipeline de mejora de habilidades con ML.
Una habilidad orienta al agente sobre cómo abordar un tipo de trabajo. Nuestro primer ejemplo genera variaciones de una habilidad, usa un predictor aprendido para ayudar a elegir candidatos y evalúa su ejecución. La evidencia resultante puede alimentar la siguiente ronda de entrenamiento y selección. Es un pipeline en desarrollo, no una promesa de que cualquier agente mejorará automáticamente en cualquier negocio.
La predicción propone. La ejecución pone a prueba.
El ciclo pasa por generación de candidatos, predicción y selección, ejecución y evaluación, incorporación de evidencia y reentrenamiento del predictor. Una predicción es una razón para probar un candidato. El resultado medido ayuda a determinar si el cambio es útil para la tarea definida.
Mejorar necesita una referencia.
Conserva la habilidad actual como comparación. Define qué significa tener éxito, comprueba regresiones y distingue un fallo del entorno de pruebas de un fallo del candidato. Guarda las versiones y la evidencia para revisar el resultado. Un experimento exitoso y la aprobación para cambiar un sistema en uso son decisiones separadas.
Una dirección que crece, con afirmaciones medidas.
El pipeline de habilidades es nuestro primer ejemplo de una dirección más amplia: sistemas que ayudan a detectar fricción y desarrollar mejoras útiles alrededor de los procesos existentes. Seguimos validando el comportamiento en distintas tareas y entornos. Compartiremos el método y sus límites antes de presentar afirmaciones generales de rendimiento u ofrecerlo como producto gestionado.
Exploremos juntos un caso de mejora.
Trae un proceso o un caso real. Queremos comprender qué facilitaría tu trabajo.