ARPDentro del pipeline de mejora de habilidades con ML.
Nuestro primer ejemplo de aprendizaje continuo: generar candidatos, predecir, ejecutar, evaluar y aprender de la evidencia.
Una habilidad puede ser candidata a mejora.
Una habilidad describe cómo debe abordar un agente un tipo de trabajo. Cambiar sus instrucciones puede mejorar un resultado, dejarlo igual o provocar una regresión en otra parte. Nuestro primer pipeline trata un cambio propuesto como un candidato que debe evaluarse. Conserva la habilidad actual como comparación y registra la variación y su origen.
Generar, predecir, seleccionar.
El ciclo genera variaciones candidatas. Un predictor aprendido ayuda a estimar su potencial y seleccionar cuáles ejecutar. Así se orienta el presupuesto experimental hacia comparaciones útiles. Una puntuación predicha sigue siendo una predicción: no demuestra que el candidato funcione ni reemplaza el resultado de ejecución.
Ejecutar, evaluar, incorporar evidencia.
Los candidatos elegidos se ejecutan y evalúan frente a la tarea definida. La evidencia se incorpora para análisis y entrenamiento posteriores. Una evaluación válida exige que se hayan ejecutado el agente y la habilidad previstos. Un agente de respaldo, una herramienta no disponible o un resultado vacío pueden invalidar el entorno. Esos fallos no deben convertirse silenciosamente en puntuaciones de rendimiento del candidato.
Reentrenar y decidir qué sigue.
El predictor puede reentrenarse, guardarse y recargarse con la evidencia acumulada. Comparar el modelo existente con un reemplazo propuesto orienta la siguiente ronda. El ciclo puede continuar o detenerse. Los candidatos versionados, la evidencia de selección y los resultados de ejecución permiten inspeccionar el proceso. También ayudan a distinguir un mejor modelo de predicción de una habilidad realmente mejor.
Qué establece este ejemplo.
Existe un ciclo experimental implementado para estudiar la mejora de habilidades. Es un primer ejemplo concreto de la dirección de aprendizaje continuo de Morning. Aún no establece una tasa universal de mejora, preparación para producción en cualquier entorno ni permiso para promover cambios automáticamente. La evaluación y la aprobación siguen siendo esenciales para convertir un experimento en una mejora confiable para un negocio.
Sistemas de aprendizaje continuo
Sistemas que usan evidencia de ejecución para proponer, probar y evaluar mejoras. Nuestro pipeline de mejora de habilidades con ML es el primer ejemplo.
Conoce Sistemas de aprendizaje continuo