Spring til indhold
Advancing Bits to Master Atoms
← Alle indlæg

MS Duplex9 min. læsetid

Skeln et fund fra en fornemmelse før den næste kostbare kørsel.

Sådan holder MS Duplex årsag og virkning dokumenteret, spiller mulighederne igennem, før regnekraft eller laboratorietid bruges, og overlader de afgørelser, den ikke kan træffe, til din model eller en forsker.

En lup i satinsølv på et stativ i grafit, holdt over en lille koboltblå blok på stativets trinformede sokkel i grafit.En lup i satinsølv på et stativ i grafit, holdt over en lille koboltblå blok på stativets trinformede sokkel i grafit.

Ethvert forskningsteam kender forskellen på et resultat, det kan bygge videre på, og et resultat, det fik én gang. Det første er bekræftet under kendte betingelser og holder, når nogen kontrollerer det. Det andet kan være et tilfælde. Folk, der har arbejdet på et projekt et stykke tid, bærer den forskel i hovedet. En AI-agent gør det som udgangspunkt ikke: den anbefaler næste trin med den samme selvsikre stemme, uanset om trinnet bygger på mange bekræftede kørsler eller på én heldig eftermiddag.

Det hul koster penge. En indstilling, der tilfældigvis gik forud for en succes, bliver gentaget. En mulighed, teamet allerede har udelukket, bliver foreslået igen. Et tilfælde, der ikke ligner noget, teamet har set, bliver behandlet som rutine, og en dyr kørsel går i den forkerte retning. Dette indlæg ser på tre MS Duplex-funktioner, der sammen lukker hullet: læring af årsag og virkning, simulering før handling og beslutninger, der kender deres grænser.

Hold begrundelsen sammen med resultatet

Et resultat i sig selv siger, hvad der skete. Det siger ikke hvorfor. Forestil dig, at to kørsler når målet, og at begge brugte de samme to indstillinger. En AI, der kun gemmer udfald, har ingen måde at afgøre, hvilken indstilling der betød noget, så den anbefaler begge, og et tilfælde begynder at opføre sig som en regel.

MS Duplex bevarer forbindelsen mellem det, der blev gjort, de betingelser, det blev gjort under, og det, der skete bagefter, med evidensen bag hver del. Efterhånden som flere bekræftede kørsler kommer ind, bliver billedet skarpere. Måske fører den ene indstilling til målet under teamets sædvanlige betingelser, mens den anden ikke gjorde nogen forskel. Den første bliver en fastslået forbindelse. Den anden lægges til side, og den næste anbefaling holder op med at læne sig op ad den.

Det, der ændrer et teams hverdag, er mærkningen. Hver anbefaling viser, om forbindelsen bag den er fastslået eller endnu ikke fastslået, og for hvilke betingelser. Når en forsker spørger om en betingelse, teamet ikke har testet, anbefaler MS Duplex den fastslåede indstilling og siger, at forbindelsen ikke er fastslået dér. Forskeren ser en fornemmelse markeret som en fornemmelse.

Hver anbefaling indeholder det, en kollega skal bruge for at kontrollere den:

  • Den anbefalede handling og de bekræftede udfald, den førte til
  • De betingelser, de udfald blev bekræftet under
  • Om forbindelsen er fastslået for de aktuelle betingelser eller endnu ikke
  • Kilderne bag den, så en anden forsker kan genopbygge anbefalingen

Det gør det ukendte til en plan. De forbindelser, der betyder mest og endnu ikke er fastslået, er dér, hvor det næste eksperiment gør mest gavn. Et team kan køre det utestede tilfælde som en bevidst test, og det bekræftede resultat udvider enten forbindelsen til den nye betingelse eller viser, hvor den holder op med at gælde. Under alle omstændigheder afspejler den næste anbefaling det.

En forgrenet linje af opretstående grafitfliser på en mørk sokkel, en koboltblå flise ved starten og én bane af væltede sølvfliser, der fører ind i en enkelt gren.En forgrenet linje af opretstående grafitfliser på en mørk sokkel, en koboltblå flise ved starten og én bane af væltede sølvfliser, der fører ind i en enkelt gren.
En forgrenet række af opretstående grafitbrikker, en koboltblå brik i starten og én sti af væltede sølvbrikker, der fører ind i en enkelt gren: én handling fulgt hele vejen til det udfald, den førte til, mens de andre grene bliver stående.

Spil mulighederne igennem, før budgettet er brugt

De fleste forskningsbudgetter bruges ét valg ad gangen: en lang simulering på fælles regnekraft, et eksperiment, der bruger knapt materiale eller instrumenttid, en designgennemgang, der trækker en ekspert væk fra andet arbejde. Hver af dem er kun værd at køre, hvis den kan bringe arbejdet nærmere målet. Med et fast budget er hver blindgyde én kørsel færre til en mulighed, der kunne have virket.

Før et kostbart trin vejer MS Duplex det sandsynlige udfald af hver mulighed mod målet ud fra det, dit team allerede har bekræftet: resultaterne, de betingelser, de gælder under, de rettelser, dine eksperter har foretaget, og de kørsler, der fejlede. Muligheder, der ikke kan nå målet, eller som allerede er fejlet under samme betingelser, lægges til side, før der bruges noget på dem. Dine simulatorer, instrumenter og din analysekode producerer stadig resultaterne. MS Duplex hjælper med at afgøre, hvilke kørsler der er værd at foretage.

Forestil dig, at et team har budget til tre lange kørsler i denne runde og ni kandidatdesign på listen. Én runde kunne forløbe sådan her:

  1. Listen kommer indAgenten foreslår ni design til runden, hver med de indstillinger, det ville køre under.
  2. Hvert design vejesMS Duplex spiller hvert design igennem mod målet ud fra teamets bekræftede resultater og de betingelser, de gælder under.
  3. Blindgyder lægges til sideTo design gentager en kombination, der allerede er fejlet under samme betingelser, og ét afhænger af en indstilling, en ekspert rettede tidligere i projektet. Hvert af dem lægges til side med sin begrundelse.
  4. Tynd evidens markeresFor to andre design favoriserer teamets erfaring endnu ikke det ene frem for det andet. Det valg går til modellen eller til teamlederen med en note om, hvad der mangler.
  5. Tre kørsler går i gangDe mest lovende design køres gennem teamets egne værktøjer. I et styret miljø kan en kørsel over teamets omkostningsgrænse først vente på en persons godkendelse.
  6. Den næste runde starter længere fremmeResultaterne bekræftes, begrundelsen bag hver kørsel og hvert design, der er lagt til side, forbliver dokumenteret, og den næste runde starter fra det, denne viste.

Dokumentationen betyder lige så meget som valget. En leder, der godkender en kostbar kørsel, kan se, hvorfor den blev valgt frem for alternativerne. En forsker, der kommer med i projektet senere, kan se, hvorfor et lovende design blev lagt til side, og om begrundelsen stadig holder.

Afgør det kendte, send det ukendte videre

Meget af et forskningsteams AI-arbejde er den samme beslutning, truffet igen og igen: hvilken indstilling der passer til en velkendt analyse, om en kandidat består en kendt screening, hvilken metode der passer til et standardtilfælde. At sende hver af dem gennem en model koster kald og tid, og svaret kan variere mellem kørsler, selv når tilfældet er det samme.

Hvor en metode, dit team har bekræftet, klart gælder, under matchende betingelser, træffer MS Duplex beslutningen direkte og konsekvent, ofte helt uden modelkald. Hver beslutning henviser til metoden og evidensen bag den. Hvor evidensen er tynd, går beslutningen til din model, som ræsonnerer sig igennem den, med en note om, hvad der mangler. Hvor tilfældet ikke ligner noget, dit team har bekræftet, markeres det til en forsker, med begrundelsen.

Næste gang tilfældet dukker op

En forskers beslutning om et markeret tilfælde læres med sin begrundelse. Når et lignende tilfælde kommer under samme betingelser, kan MS Duplex afgøre det direkte, og eksperten slipper for det samme spørgsmål. Hver bekræftet beslutning udvider den mængde tilfælde, teamet kan afgøre uden at spørge, og de overdragelser, der er tilbage, er dem, der kræver en person.

  • −89%færre modelkald end en model finjusteret til opgaven, på tilbagevendende arbejde, i MatterSpaces kontrollerede test

Det tal stammer fra MatterSpaces kontrollerede test på tilbagevendende arbejde, hvor beslutninger, som en lært metode afgør, ikke kræver noget modelkald. Det viser, hvor besparelserne kommer fra: modelforbruget går til de tilfælde, der kræver ræsonnement. Et pilotprojekt måler, hvad den gør på dit eget arbejde.

En sorteringsport i satinsølv på en grafitramme, hvor sølvkugler falder lige ned gennem midten, mens koboltblå kugler ledes ned ad en sideskakt.En sorteringsport i satinsølv på en grafitramme, hvor sølvkugler falder lige ned gennem midten, mens koboltblå kugler ledes ned ad en sideskakt.
En satinsølvfarvet sorteringsport på en grafitramme, hvor sølvkugler falder lige ned gennem midten, mens koboltblå kugler ledes ned ad en sideskakt: rutinetilfælde går lige igennem, og de usædvanlige sendes til den model eller den person, der bør tage dem.

Hvad der ændrer sig for dem, der leder arbejdet

De tre funktioner bygger på den samme dokumentation, så hver af dem styrker de andre. Det, teamet lærer om årsag og virkning, er det, hver mulighed vejes mod før et kostbart trin. Hvor evidensen klart favoriserer én mulighed, afgøres valget direkte. Hvor den er tynd, går det til en person. Hvert udfald, der kommer tilbage, føjer til de forbindelser, det næste valg trækker på.

For en forskningsleder viser forandringen sig nogle få konkrete steder:

  • Anbefalinger, der siger, om de bygger på en fastslået forbindelse eller på en antagelse.
  • Kostbare kørsler valgt med alternativerne og begrundelserne dokumenteret.
  • Eksperttid brugt på de afgørelser, der kræver en ekspert, hver med en note om, hvorfor den blev sendt.
  • Rutinebeslutninger truffet konsekvent, når det samme tilfælde dukker op under de samme betingelser.
  • Modelforbrug rettet mod de tilfælde, der kræver ræsonnement.

Hvis en forbindelse viser sig at være forkert, kan teamet rette den eller fjerne den for sig. Fjern den, og de anbefalinger, der afhang af den, forsvinder med den, mens alt andet forbliver, som det var.

Bedøm den på dine egne beslutninger

Den fair test er det arbejde, dit team allerede gentager. Vælg tilbagevendende arbejdsgange, hvor beslutninger dukker op igen og igen, og hvor en forkert eller unødvendig kørsel er dyr. Aftal målestokken med dine eksperter, før noget kører: omkostningen ved hvert accepteret, reproducerbart resultat og den eksperttid, det kræver. Kør derefter samme model, værktøjer, data og budget med og uden MS Duplex, og lad dine eksperter bedømme resultaterne uden at vide, hvilken opsætning der frembragte dem.

For denne gruppe af funktioner skal du se nøje på de kostbare kørsler, der gik til muligheder, teamet allerede havde udelukket, på, om hver overdragelse nåede den rette person med en brugbar begrundelse, og på, om en forsker kan genopbygge en anbefaling ud fra dokumentationen uden hjælp.

Almindelige spørgsmål

Hvordan ved MS Duplex, at en forbindelse er fastslået?

Den behandler kun en forbindelse mellem en handling og et udfald som fastslået, i det omfang dit teams bekræftede resultater understøtter den, og kun for de betingelser, de blev bekræftet under. Uden for de betingelser siger anbefalingen, at forbindelsen endnu ikke er fastslået.

Erstatter simulering før handling vores simulatorer?

Dine simulatorer, instrumenter og din analysekode producerer stadig resultaterne. Simulering før handling hjælper med at afgøre, hvilke kørsler der er værd at foretage, ved at veje hver mulighed mod målet og mod det, dit team allerede har bekræftet.

Hvem træffer de beslutninger, MS Duplex ikke afgør?

Tilfælde, der kræver ræsonnement, går til din model med en note om, hvilken evidens der mangler. Tilfælde, der ikke ligner noget, dit team har bekræftet, markeres til en forsker. Forskerens beslutning læres med sin begrundelse, så det næste lignende tilfælde kan afgøres direkte.

Kan en person stadig godkende en kostbar kørsel?

Ja. I styrede miljøer venter de trin, dit team vælger, såsom en dyr simulering, på en persons godkendelse, før de begynder, og godkendelsen dokumenteres med, hvem der godkendte hvad.

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.