Węzeł SLRM (Self-Learning Response Model) służy do budowania modelu, który można stale aktualizować lub ponownie oszacować w miarę wzrostu zbioru danych bez konieczności każdorazowego odbudowywania modelu przy użyciu kompletnego zbioru danych. Na przykład, jest to przydatne, gdy istnieje kilka produktów i chcesz zidentyfikować, który z nich jest najchętniej kupowany, jeśli zaoferujesz je im. Model ten umożliwia predykcję najlepszego dopasowania ofert do klientów oraz prawdopodobieństwa zaakceptowania tych ofert przez klientów.

Początkowo można zbudować model przy użyciu niewielkiego zbioru danych z przypadkami składanych ofert i odpowiedziami na te oferty. W miarę poszerzania się zbioru danych model może być aktualizowany, co zwiększy jego możliwości w zakresie predykcji najlepszego dopasowania ofert do klientów oraz prawdopodobieństwa zaakceptowania tych ofert w oparciu o pozostałe zmienne wejściowe, takie jak wiek, płeć, zawód i przychód. Istnieje możliwość zmiany dostępnych ofert przez dodanie lub usunięcie ich z węzła, a nie konieczności zmiany zmiennej przewidywanej zbioru danych.

Przed uruchomieniem węzła SLRM należy określić zarówno docelowe, jak i docelowe pola odpowiedzi we właściwościach węzła. Zmienna przewidywaniemusi zawierać łańcuch, a nie liczbowy. Docelowe pole odpowiedzi musi być flagą. Wartość prawda flagi oznacza akceptację oferty, zaś wartość fałsz oznacza jej odrzucenie.

Przykład. Instytucja finansowa chce uzyskać wyższy zysk, dopasowując ofertę o najwyższym prawdopodobieństwie akceptacji do każdego ze swoich klientów. Za pomocą modelu samokształtnego można identyfikować cechy klientów najchętniej reagować korzystnie na podstawie poprzednich promocji i aktualizować model w czasie rzeczywistym w oparciu o najnowsze odpowiedzi klientów.