Po ograniczeniu modelu open source najpierw wygaśnie domyślna dostępność.

Gdy model open source przejdzie w stan zastrzeżony, pierwszą rzeczą, która zawodzi, jest często domyślna dostępność. Samo zdanie nie rzuca się w oczy, ale jest bardzo ważne, gdy wchodzi w zakres przepływu pracy: plik modelu może nadal tam być, kopia lustrzana może nadal być zsynchronizowana, a komputer lokalny może być w stanie uruchomić się raz, ale ta sama regresja, ten sam zestaw słów podpowiedzi i ten sam skrypt wsadowy zaczynają powoli tracić warunek wstępny domyślnego ustanowienia.

Na początku zmiany nie były duże. Jedno środowisko otrzymuje wersję lustrzaną, a inne środowisko otrzymuje wersję skwantowaną; wersja tokenizera jednej maszyny nie odpowiada wersji innej maszyny; można go jeszcze dzisiaj odtworzyć, ale jutro wyniki zaczną się zmieniać ze względu na zmiany w polityce dostępu, odzwierciedlające opóźnienia lub limity. Na pozór jest to nadal „dostępny model”, ale w rzeczywistości zmieniły się w trzy rzeczy: dostępna ścieżka, dostępne pozwolenie i dostępna wersja.

Najbardziej kłopotliwą rzeczą związaną z tego typu zmianami jest to, że nie powodują one natychmiastowego wyłączenia systemu. Najpierw zmienia wartość domyślną. Poprzednie domyślne założenie było takie, że ten sam model, ta sama wersja i ten sam zestaw parametrów mogą dawać wystarczająco zbliżone wyniki w większości środowisk. Po ograniczeniu założenie to nie jest już prawdziwe. Za każdym razem, gdy zespół dokonuje oceny, musi najpierw potwierdzić wprowadzenie, odzwierciedlenie, kwantyfikację, wycofanie i ograniczenia regionalne. Ostatecznie często zajmuje to więcej czasu niż uruchomienie samego modelu.

Tym, czym naprawdę należy się zająć w pierwszej kolejności, jest powierzchnia kontrolna wykorzystywana przez model: kto może z niej korzystać, w jakich środowiskach można z niej korzystać, które wersje są uważane za produkcyjne linie bazowe, na którą ścieżkę przejść w przypadku niepowodzenia i którą wersję zachować w przypadku wycofywania. Tylko poprzez oddzielne wyciągnięcie tych granic ograniczony model nie może bezpośrednio przełamać przepływu pracy. W przeciwnym razie każde tymczasowe rozwiązanie będzie przypominało wymyślenie procesu na nowo. Jeśli może działać dzisiaj, nie oznacza to, że ten sam zestaw danych wejściowych zostanie rozpoznany jutro.

Najłatwiej błędnie ocenić tutaj stwierdzenie, że „można nadal uruchomić raz” jako „nadal można używać stabilnie”. Gdy ta ocena zostanie pomieszana, nadal będą pojawiać się kolejne problemy: zestaw regresji nie będzie już miał tej samej linii bazowej, a podczas rozwiązywania problemów musisz najpierw potwierdzić, którą wersję posiadasz, a zespół zacznie się spierać co do tego, „czy ta wersja jest tym samym modelem”. Sam model nadal istnieje, ale zbudowany wokół niego łańcuch osądów rozpadł się.

Dlatego prawdziwą zmianą spowodowaną ograniczeniami nie jest tylko zmniejszenie możliwości pobierania, ale awaria domyślnej użyteczności. Im bardziej zaawansowany model, tym bardziej staje się restrykcyjny i w mniejszym stopniu może polegać na pamięci tymczasowej i konwencjach werbalnych, aby zachować spójność. Potrzebne są jasne uprawnienia, stałe punkty bazowe, wpisy nadające się do ponownego wykorzystania i możliwe do prześledzenia ścieżki awaryjne. Po dokręceniu tych rzeczy model naprawdę może wejść w stan operacyjny; w przeciwnym razie, niezależnie od tego, jak dobry jest model, „wystarczy, aby go dzisiaj wykonać”.