Subiecte populare
#
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.
"În dezvoltarea tradițională de software, ați planifica v1, v2, v3 al noului produs în funcție de profunzimea caracteristicilor sau de nevoile utilizatorului. Cu sistemele AI, lentila se schimbă.
Fiecare versiune este în schimb definită de cât de multă agenție are sistemul și la cât de mult control ești dispus să renunți.
Începeți prin a identifica un set de caracteristici care sunt de control ridicat și agenție scăzută (versiunea 1 din imaginea de mai jos).
Acestea ar trebui să fie mici, testabile și ușor de observat. De acolo, gândiți-vă la modul în care aceste capacități pot evolua în timp prin creșterea treptată a agenției, o versiune la un moment dat. Scopul este de a descompune o stare finală înaltă în comportamente timpurii pe care le puteți evalua, itera și construi în sus.
De exemplu, dacă scopul final este de a automatiza asistența pentru clienți în compania dvs., o modalitate de a începe cu un nivel ridicat de control ar fi să definiți v1 (versiunea 1) ca simpla direcționare a tichetelor către departamentul potrivit, apoi să treceți la v2, unde sistemul sugerează posibile rezoluții și numai în v3 să permiteți rezolvarea automată cu rezervă umană.
Iată încă câteva exemple:
Asistent de marketing
v1: Schiță de e-mail, reclamă sau copie socială din solicitări
v2: Creați campanii în mai mulți pași și rulați-le
v3: lansați, testați A/B și optimizați automat campaniile pe toate canalele
Asistent de codare
v1: Sugerați completări în linie și fragmente standard
v2: Generați blocuri mai mari (cum ar fi teste sau refactori) pentru revizuirea umană
v3: Aplicați modificări cu domeniu și deschideți solicitări de extragere (PR) în mod autonom
Dacă ați urmărit modul în care au evoluat instrumente precum GitHub Copilot sau Cursor, acesta este exact manualul pe care l-au folosit. Majoritatea utilizatorilor văd doar versiunea actuală, dar sistemul de bază a urcat treptat pe această scară. Mai întâi finalizări, apoi blocuri, apoi PR-uri, cu fiecare pas câștigat prin utilizare, feedback și iterație."
Mai multe aici:


20 aug., 00:21
You can’t build AI products like other products.
AI products are inherently non-deterministic, and you need to constantly negotiate the tradeoff between agency and control.
When teams don’t recognize these differences, their products face unexpected failures, they're stuck debugging large complicated systems they can’t trace, and user trust in the product quietly erodes.
After seeing this pattern play out across 50+ AI implementations at companies including @OpenAI, @Google, @Amazon, and @Databricks, Aishwarya Naresh Reganti and Kiriti Badam developed a solution: the Continuous Calibration/Continuous Development (CC/CD) framework.
The name is a reference to Continuous Integration/Continuous Deployment (CI/CD), but, unlike its namesake, it’s meant for systems where behavior is non-deterministic and agency needs to be earned.
This framework shows you how to:
- Start with high-control, low-agency features
- Build eval systems that actually work
- Scale AI products without breaking user trust
It’s designed to recognize the uniqueness of AI systems and help you build more intentional, stable, and trustworthy AI products.
They're sharing it publicly for the first time:

66,95K
Limită superioară
Clasament
Favorite