Spring til indhold
Advancing Bits to Master Atoms
← Alle indlæg

MS Duplex8 min. læsetid

Sådan holder en forskningsorganisation en AI, der lærer, ansvarlig.

Regler og godkendelser, personlige lag, teamlag og organisationslag samt en dokumentation, hvor hver lektie bevarer sin kilde og kan rettes eller fjernes for sig.

En tung, rund boksdør i grafit, der står let på klem, med låsebolte og hængsler i satinsølv og en koboltblå nøgle i den centrale lås.En tung, rund boksdør i grafit, der står let på klem, med låsebolte og hængsler i satinsølv og en koboltblå nøgle i den centrale lås.

En AI, der lærer af dit teams arbejde, ændrer sig over tid. Det er grunden til at have en. Det betyder også, at organisationen har brug for svar på spørgsmål, den allerede stiller om mennesker: hvem lærte den dette, hvem kontrollerede det, hvem må se det, hvem godkendte det trin, den lige tog, og hvordan gøres en fejl om.

En model, der holder op med at lære ved afslutningen af sin træning, rejser færre af de spørgsmål, fordi den ikke ændrer sig mellem udgivelser. Når bekræftede resultater, ekspertkorrektioner og beslutninger begynder at forme, hvad en agent gør næste gang, må ansvarligheden vokse med læringen. Dette indlæg gennemgår de kontroller, MS Duplex giver en forskningsorganisation, i den rækkefølge de fleste teams sætter dem op, og de spørgsmål, der er værd at afklare, før en agent begynder at lære på fælles arbejde.

Start med reglerne

Forskning bygger på regler, der er lette at formulere og dyre at bryde: et beregningsbudget, en godkendt protokol, referencedata, som kun bestemte personer må ændre, en gennemgang, før et resultat markeres som endeligt. Ved siden af dem står præferencer: en foretrukken metode, en standardindstilling, den måde, én gruppe kan lide at få sine resultater sat op på. Begge betyder noget, og de fortjener forskellig behandling.

MS Duplex holder regler og præferencer adskilt, og begge forbliver synlige i ræsonnementet bag hvert trin, så alle, der gennemgår arbejdet, kan se, hvilken af dem der formede det. En præference kan vejes op mod det tilfælde, agenten står over for. En regel er en grænse, arbejdet holder sig inden for.

Hvordan en regel anvendes, afhænger af, hvordan MS Duplex er forbundet. Med en standardforbindelse kalder din agent MS Duplex for at hente relevant erfaring, og dine regler og præferencer fremgår af dens ræsonnement. I et styret miljø, en understøttet opsætning med hooks, går de trin, du vælger, gennem MS Duplex, før de kører. Dér stoppes et trin, der bryder en regel, før det starter, og de trin, dit team markerer til godkendelse, såsom en dyr simulering eller en ændring af fælles data, venter på en person. Hver godkendelse gemmes sammen med det trin, den tillod, og navnet på den person, der gav den.

Regler ændrer sig, efterhånden som forskningen gør. En ny protokol eller budgetgrænse gælder fra næste forespørgsel. Der er intet at gentræne og ingen ny modelversion at validere, fordi reglerne ligger i MS Duplex ved siden af modellen, med dens vægte uændrede.

En lige grafitkanal med tre låse i satinsølv langs den, hvor den midterste lås er forseglet med et koboltblåt bånd.En lige grafitkanal med tre låse i satinsølv langs den, hvor den midterste lås er forseglet med et koboltblåt bånd.
En lige kanal i grafit med tre låse i satinsølv langs den, hvor den midterste lås er forseglet med et koboltblåt bånd: arbejdet bevæger sig ad sin sædvanlige vej, og de trin, dit team vælger, venter ved en kontrol, før de fortsætter.

Beslut, hvem der lærer hvad

Forskningsviden har ejere. Noget af den er én forskers eller ingeniørs måde at arbejde på. Noget er et teams hårdt tilkæmpede resultat. Noget er den standard, hele organisationen bør følge. Når en AI lærer i én fælles pulje, kan én persons vane ende med at forme alles agenter, og et tidligt fund kan nå længere ud, end evidensen tillader. Når den intet lærer på tværs af personer, genopdager hvert team det, teamet ved siden af allerede har bekræftet.

MS Duplex giver hver forsker, hvert team og hele organisationen sit eget lag af erfaring. En forskers agent trækker på vedkommendes personlige lag, teamets lag og organisationslaget samtidig. Personer og agenter når kun den erfaring, deres adgangsområde tillader, med tilladelserne under dine kontroller. Erfaring flyttes mellem lagene, når dine regler flytter den, og intet af den deles med en anden virksomhed.

Sig, at en forsker opdager, at hendes agent vælger en analyseindstilling, der fejler på en bestemt slags input, og at hun retter den. Her er én måde, den korrektion kunne bevæge sig på:

  1. En personlig lektieKorrektionen gemmes med hendes begrundelse og de betingelser, den gælder under. Ifølge teamets regler starter en korrektion som denne i hendes personlige lag, så den former hendes agent og ingen andres.
  2. Bekræftet af teametEn kollega kontrollerer korrektionen mod teamets egne bekræftede resultater. Den flyttes til teamlaget, og hver agent i teamet anvender den fra næste forespørgsel.
  3. Delt med et andet teamEt naboteam støder på den samme slags input. Det første teams leder deler den rettede metode med dem, med kilden synlig, og den verificeres igen på deres arbejde.
  4. Indført som standardLedelsen beslutter, at metoden skal gælde i hele organisationen. Hvor dine regler kræver det, venter ændringen af den fælles erfaring på en persons godkendelse, flyttes derefter til organisationslaget og gælder for alle teams agenter.
  5. Kilden følger medVed hvert trin bevarer lektien den oprindelige korrektion, evidensen bag den og registreringen af, hvem der flyttede den. Alle, der ser på standarden, kan spore den tilbage til den forsker, der først så problemet.

Den samme struktur beskytter personligt arbejde. En forskers eller ingeniørs præferencer, såsom hvor meget ræsonnement hendes agent viser før en rangering, bliver hos hendes egen agent og lader alle andres være, som de var.

Hold en dokumentation, som alle kan genopbygge ud fra

I forskning er en konklusion kun så nyttig som evidensen bag den. En bedømmer spørger, hvor et tal kom fra. En kollega vil kontrollere en beslutning, før der bygges videre på den. Et senere projekt har brug for at vide, hvilke antagelser der holdt på det tidspunkt. En AI, hvis lektier ikke har nogen kilde, efterlader hver af dem uden et svar.

I MS Duplex viser hver del af erfaringen, hvor den kom fra: det resultat, den måling eller den ekspertvurdering, der ligger bag, og de betingelser, den blev bekræftet under. Når en agent anbefaler et trin, kan dit team se, hvilke lektier den bygger på. Hele dokumentationen ligger i én signeret historik over, hvad der blev lært, brugt og godkendt, og personer inden for deres adgangsområde kan gennemgå og eksportere den. En forsker, der ikke var med, kan genopbygge en beslutning ud fra den historik og selv kontrollere den.

Godkendelser ligger i den samme historik som lektierne. Når en projektgennemgang spørger, hvorfor en kostbar simulering kørte, omfatter svaret den lektie, der anbefalede den, den regel, der holdt den tilbage til godkendelse, og den person, der lod den gå videre.

Rettelse og fjernelse af en lektie

Fejl sker i ethvert forskningsprogram. En måling viser sig at stamme fra en fejlbehæftet opstilling, eller en eksperts korrektion holdt kun under snævrere betingelser, end nogen skrev ned. Når viden trænes ind i en models vægte, kræver det endnu en træningskørsel at rette ét element, og anden viden kan slides ned undervejs. Finjustering har stadig sin plads, når man vil ændre, hvad en model ved over hele linjen; den egner sig bedre til brede ændringer end til at fjerne én forkert lektie.

I MS Duplex står hver lektie for sig. Ret en lektie, og kun den lektie ændres, og agentens næste anbefaling bruger den rettede version. Fjern en lektie, og de anbefalinger, der afhang af den, forsvinder med den, mens alt andet forbliver, som det var. Hvis teamet senere beslutter, at lektien var rigtig, kan den gendannes. Når en ny måling afløser en gammel, gælder den nyeste bekræftede værdi, og historikken over, hvad der ændrede sig, bevares.

En opretstående cylindrisk kerne af lag i grafit og satinsølv på en grafitbase med én tynd koboltblå tråd, der løber gennem hvert lag.En opretstående cylindrisk kerne af lag i grafit og satinsølv på en grafitbase med én tynd koboltblå tråd, der løber gennem hvert lag.
En opretstående cylindrisk kerne af lag i grafit og satinsølv med én tynd koboltblå tråd, der løber gennem hvert lag: hver lekties kilde løber gennem hele dokumentationen, så enhver del af arbejdet kan spores tilbage og kontrolleres.

Spørgsmål, der skal afklares, før en agent lærer på fælles arbejde

Det meste af styringsarbejdet er organisatorisk. MS Duplex giver dit team kontrollerne, og dit team beslutter, hvordan de skal bruges. Besvar disse spørgsmål skriftligt, før agenter begynder at lære på arbejde, som flere personer er afhængige af.

  • Hvilke regler der er regler, og hvilke der er præferencer. Skriv reglerne som grænser, arbejdet skal holde sig inden for, og behold vaner og standardindstillinger som præferencer.
  • Hvilke trin der venter på en person. Dyre simuleringer og ændringer af fælles data er de sædvanlige første kandidater, og godkendelser gælder i styrede miljøer.
  • Hvad der forbliver personligt, hvad der deles med et team, og hvad der indføres som organisationsstandard.
  • Hvem der må flytte erfaring mellem lagene, og om en ændring af organisationslaget kræver en godkendelse.
  • Hvem der gennemgår dokumentationen, og hvem der må rette, fjerne eller gendanne en lektie.
  • Hvor MS Duplex kører, og hvordan dine data håndteres. Det aftales med dine ansvarlige for sikkerhed og data fra den første samtale.

Almindelige spørgsmål

Stopper MS Duplex et trin, før det kører?

I et styret miljø, en understøttet opsætning med hooks, ja: et trin, der bryder en regel, stoppes, og de trin, du markerer til godkendelse, venter på en person. Med en standardforbindelse kalder agenten MS Duplex for at hente relevant erfaring, og dine regler og præferencer fremgår af dens ræsonnement.

Kan én forskers vaner ændre alles agent?

Personlige præferencer bliver i den pågældende forskers lag og former kun vedkommendes egen agent. De når kun ud til et team eller organisationen, når dine regler flytter dem dertil, og de bevarer deres kilde, når det sker.

Hvad sker der med anbefalingerne, når vi fjerner en lektie?

De anbefalinger, der afhang af den lektie, forsvinder med den, og alt andet forbliver, som det var. Ændringen bevares i historikken, og lektien kan gendannes, hvis dit team ombestemmer sig.

Deles noget af vores erfaring med en anden virksomhed?

Nej. Erfaringen i hvert lag tilhører din organisation, uanset hvilken model eller leverandør du bruger, og intet af den deles med en anden virksomhed. Hvor MS Duplex kører, og hvordan dine data håndteres, aftales med dine ansvarlige for sikkerhed og data.

Bygget af MatterSpace

MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.

Fortsæt med at læse

  • Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.Et koboltblåt blokformet modul med rækker af runde porte, placeret oven på en rektangulær base i satinsølv.

    MS Duplex8 min. læsetid

    Vi præsenterer MS Duplex: selvforbedrende agenter til forsknings- og ingeniørteams.

    MS Duplex kobles på den AI, dine forskere og ingeniører allerede bruger, og får den til at lære af bekræftede resultater, ekspertkorrektioner og beslutninger. Hvad den er, hvem den er til, og hvordan du kommer i gang.

    Læs indlægget →
  • En skrivebordsbakke i grafit med en stak tynde kort i satinsølv og et enkelt koboltblåt kort med fane, der står oprejst midt i stakken.En skrivebordsbakke i grafit med en stak tynde kort i satinsølv og et enkelt koboltblåt kort med fane, der står oprejst midt i stakken.

    MS Duplex8 min. læsetid

    Derfor glemmer din forsknings-AI, og hvad det koster dit team.

    De fleste AI-værktøjer starter hver session fra det, modellen vidste, da dens træning sluttede. Hvad det koster et forskningsteam, og hvad der ændrer sig, når bekræftede resultater bliver til erfaring.

    Læs indlægget →
  • En stor lukket blok i grafit med et slankt modul i satinsølv monteret på siden, som bærer en lille firkantet koboltblå indikator.En stor lukket blok i grafit med et slankt modul i satinsølv monteret på siden, som bærer en lille firkantet koboltblå indikator.

    MS Duplex8 min. læsetid

    Læring af hvert bekræftet resultat, uden træningskørsel.

    Sådan sammenligner MS Duplex sig med finjustering for forskningsteams: hvad hver af dem er god til, hvorfor en rettelse gælder fra næste forespørgsel, og hvordan én lektie ændres eller fjernes for sig.

    Læs indlægget →

Lad den næste kørsel drage nytte af den forrige.

Kom til os med den forskning, din AI skal blive bedre til. Vi planlægger et pilotprojekt på dine egne arbejdsgange, med dine eksperter som dommere.