quando você pensa em um algoritmo de feed, há muitos loops inteligentes operando ali. há a camada de inferência do modelo real, que analisa as coisas recentes que você clicou e os itens mais frescos no inventário para tomar decisões em microssegundos sobre o que mostrar a você

então há a camada de treinamento automático - as empresas instrumentam gigantescos fluxos de dados de características de entrada e engajamentos de usuários e re-treinam modelos *diariamente*. a frescura dos modelos garante que você esteja o mais próximo possível da distribuição. o cursor diz que eles estão lançando novos modelos *a cada hora*

existe a camada externa do loop de ML, onde os cientistas realmente trabalham para experimentar novos algoritmos e ver como eles se comportam em testes A/B ao vivo e métricas offline. quando o fazem, estão a alterar um fluxo de dados e um processo de treino contínuo em vez de apenas treinar 1 novo modelo

é tudo um continuum e um ciclo OODA otimizado ao longo de muitas camadas de abstração que aproximam os recentes apelos por "aprendizagem contínua". Esses sistemas de ML "clássicos" que geram trilhões em receita merecem ser pensados mais profundamente em relação à natureza da inteligência útil.