한 입장 논문은 현대 AI 시스템이 일반화를 개선하기 위해 사후 대응식 유지 관리 사이클에서 능동적이고 테스트 기반 개발로 전환해야 한다고 주장합니다. 현재 사후 대응식 파이프라인은 모델을 패치하기 위해 사용자 오류를 관찰하는 데 의존하며, 이는 종종 더 넓은 시스템 목표를 무시하고 미래의 엣지 케이스를 사전에 예방하지 못합니다.
저자들은 피드백 데이터를 작업 목표에 매핑하기 위한 "테스트 공간"을 만들어 사이클을 사후 대응식에서 능동적으로 진화시킬 것을 옹호합니다. 그들은 수학적으로 이 능동적 접근 방식이 사후 대응식 방법보다 더 적은 반복으로 더 나은 장기적 확장성을 달성함을 증명했습니다.
이러한 전환은 열린 세계 사용 사례에서 남은 오류를 수집하는 통계적 어려움을 해결하고 보다 일반화 가능한 AI 시스템을 구축하는 것을 목표로 합니다.