当你想到推荐算法时，那里有许多智能循环在运作。实际的模型推理层会查看你最近点击的内容和库存中最新的项目，以微秒级的速度做出展示给你的决策。

然后就是自动训练层——公司对输入特征和用户参与度的大型数据流管道进行仪器化，并且*每天*重新训练模型。模型的新鲜度确保你尽可能地保持在分布上。光标表示他们每*小时*推出新模型。

这里有一个机器学习的外循环层，科学家们实际上在这里进行工作，尝试新的算法，并查看它们在实时A/B测试和离线指标中的表现。当他们这样做时，他们正在改变数据流和持续训练过程，而不仅仅是训练一个新的模型。

这都是一个连续体，是一个在多个抽象层次上优化的OODA循环，接近于最近对“持续学习”的呼吁。这些创造数万亿收入的“经典”机器学习系统值得更深入地思考有用智能的本质。