Populaire onderwerpen
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
"In traditionele softwareontwikkeling zou je plannen voor v1, v2, v3 van het nieuwe product op basis van functie-diepte of gebruikersbehoeften. Met AI-systemen verschuift de focus.
Elke versie wordt in plaats daarvan gedefinieerd door hoeveel autonomie het systeem heeft en hoeveel controle je bereid bent op te geven.
Begin met het identificeren van een set functies die hoge controle en lage autonomie hebben (versie 1 in de afbeelding hieronder).
Deze moeten klein, testbaar en gemakkelijk te observeren zijn. Denk daarna na over hoe die mogelijkheden in de loop van de tijd kunnen evolueren door geleidelijk de autonomie te verhogen, één versie tegelijk. Het doel is om een hoogstaand einddoel op te splitsen in vroege gedragingen die je kunt evalueren, itereren en van daaruit verder bouwen.
Bijvoorbeeld, als je einddoel is om klantenservice in je bedrijf te automatiseren, zou een manier met hoge controle om te beginnen zijn om v1 (versie 1) simpelweg te definiëren als het doorsturen van tickets naar de juiste afdeling, en dan naar v2 te gaan waar het systeem mogelijke oplossingen suggereert, en pas in v3 het automatisch oplossen met menselijke terugval toestaan.
Hier zijn nog een paar voorbeelden:
Marketingassistent
v1: E-mail, advertentie of sociale copy opstellen vanuit prompts
v2: Multi-step campagnes opzetten en uitvoeren
v3: Campagnes lanceren, A/B-testen en automatisch optimaliseren over kanalen
Coderingassistent
v1: Inline voltooiingen en boilerplate snippets voorstellen
v2: Grotere blokken genereren (zoals tests of refactoren) voor menselijke beoordeling
v3: Afgebakende wijzigingen toepassen en pull requests (PR's) autonoom openen
Als je hebt gevolgd hoe tools zoals GitHub Copilot of Cursor zijn geëvolueerd, is dit precies het stappenplan dat ze hebben gebruikt. De meeste gebruikers zien alleen de huidige versie, maar het onderliggende systeem heeft die ladder geleidelijk beklommen. Eerst voltooiingen, dan blokken, dan PR's, met elke stap verdiend door gebruik, feedback en iteratie."
Meer hier:


20 aug, 00:21
Je kunt AI-producten niet bouwen zoals andere producten.
AI-producten zijn van nature niet-deterministisch, en je moet voortdurend de afweging maken tussen autonomie en controle.
Wanneer teams deze verschillen niet erkennen, krijgen hun producten te maken met onverwachte fouten, zitten ze vast in het debuggen van grote ingewikkelde systemen die ze niet kunnen traceren, en het vertrouwen van de gebruiker in het product vervaagt stilletjes.
Na het zien van dit patroon bij meer dan 50 AI-implementaties bij bedrijven zoals @OpenAI, @Google, @Amazon en @Databricks, ontwikkelden Aishwarya Naresh Reganti en Kiriti Badam een oplossing: het Continuous Calibration/Continuous Development (CC/CD) framework.
De naam is een verwijzing naar Continuous Integration/Continuous Deployment (CI/CD), maar in tegenstelling tot zijn naamgenoot is het bedoeld voor systemen waar het gedrag niet-deterministisch is en autonomie verdiend moet worden.
Dit framework laat je zien hoe je:
- Begin met functies met hoge controle en lage autonomie
- Evaluatiesystemen bouwt die daadwerkelijk werken
- AI-producten schaalt zonder het vertrouwen van de gebruiker te schaden
Het is ontworpen om de uniciteit van AI-systemen te erkennen en je te helpen om meer intentionele, stabiele en betrouwbare AI-producten te bouwen.
Ze delen het voor het eerst publiekelijk:

64,11K
Boven
Positie
Favorieten