Spring til indhold
Advancing Bits to Master Atoms

Selvforbedring.
Dine agenter bliver bedre med hvert bekræftet resultat.

De fleste AI-agenter opfører sig ved deres hundrede opgave, som de gjorde ved deres første. MS Duplex får de agenter, dit team allerede bruger, til at blive bedre for hver arbejdsrunde.

Lær og forbedr · en af de fjorten funktioner i MS Duplex

En trappe af firkantede blokke på en grafitsokkel, ru grafit nederst, finere satinsølv højere oppe og en koboltblå blok som øverste trin.En trappe af firkantede blokke på en grafitsokkel, ru grafit nederst, finere satinsølv højere oppe og en koboltblå blok som øverste trin.

Det får dit team

  • Færre gentagne fejl og spildte kørsler
  • Agenter, der forbedrer sig selv mellem gennemgangene
  • Dokumentation for hver ændring i adfærd og dens begrundelse

Hvad selvforbedring betyder for dit team.

Selvforbedring betyder, at dine agenter ændrer, hvordan de arbejder, på grund af det, dit arbejde har bekræftet. En tilgang, der lykkedes, rykker op forrest på listen. Et trin, der fejlede under bestemte betingelser, holder op med at blive foreslået under de betingelser. Hver arbejdsrunde får den næste til at starte længere fremme.

Målestokken er dine egne resultater. MS Duplex bedømmer hver ændring i adfærd ud fra de resultater, dine test, målinger og eksperter bekræfter, og knytter den til de resultater, der begrundede den. Fordi den evidens bliver ved med at komme, efterhånden som arbejdet skrider frem, forbedrer dine agenter sig på egen hånd mellem gennemgangene.

Hver forbedring er dokumenteret. For hver ændring kan dit team se, hvad agenten nu gør anderledes, siden hvornår, og hvilke resultater der begrundede det. Når en leder spørger, hvorfor agenten opfører sig bedre i dag end i sidste måned, ligger svaret der, med sine kilder.

Hvorfor forskning har brug for agenter, der bliver bedre med brug.

Forskningsarbejde gentager sig. De samme slags beslutninger vender tilbage uge efter uge, og en agent, der ikke lærer af dem, begår de samme fejl til samme pris.

Meget af et forskningsteams AI-arbejde er tilbagevendende: at rangere kandidater, vælge indstillinger, planlægge den næste serie kørsler, kontrollere en analyse. Hver runde giver evidens om, hvad der virkede, og hvad der ikke gjorde. En agent, der bliver bedre med brug, omsætter den evidens til bedre adfærd allerede i den næste runde.

Uden selvforbedring må forbedringen komme fra mennesker. Eksperter gennemgår de samme slags output og retter de samme slags fejl, prompts og noter bliver længere, og agenten forbliver lige så god, som den var, sidst nogen redigerede dens instruktioner. Teamets erfaring vokser, mens agentens bliver, hvor den var.

  • Tilbagevendende arbejde løber op

    En lille forbedring af en beslutning, dit team træffer hver dag, er mere værd end en stor forbedring af en beslutning, der træffes én gang.

  • Spildte kørsler er dyre

    Hver fejlslagen tilgang, en agent foreslår igen, bruger regnekraft, materialer eller instrumenttid endnu en gang.

  • Gennemgange har grænser

    Eksperter kan ikke kontrollere hvert trin, så agenten skal blive bedre mellem deres gennemgange såvel som under dem.

  • Ledere skal kunne se fremskridt

    En forbedring, dit team ikke kan spore tilbage til evidens, er svær at stole på og endnu sværere at forsvare.

En rund måler i satinsølv på et grafitstativ med en koboltblå viser, der peger højt på en fint graveret skala.En rund måler i satinsølv på et grafitstativ med en koboltblå viser, der peger højt på en fint graveret skala.

Sådan fungerer selvforbedring i dit teams hverdag.

Dine agenter fortsætter med arbejdet. MS Duplex tager de resultater, dit team vælger at gemme, og omsætter dem til bedre adfærd i den næste runde.

  1. 1

    Agenten foreslår

    Den anbefaler en tilgang, en indstilling eller et næste trin og trækker på det, dit team allerede har bekræftet.

  2. 2

    Resultatet kommer tilbage

    En test, en måling eller en ekspert viser, om forslaget virkede, og under hvilke betingelser.

  3. 3

    Adfærden ændrer sig

    Det, der virkede, bliver et af agentens første valg. Det, der fejlede under de betingelser, holder op med at blive foreslået dér.

  4. 4

    Ændringen registreres

    Hver forbedring gemmes sammen med de resultater, der begrundede den, så dit team kan gennemgå den, rette den eller fjerne den.

Et eksempel, inden for ethvert felt, hvor en agent planlægger kørsler.

Et teams agent planlægger serier af kørsler mod et mål. Over flere arbejdsrunder bliver dens planer bedre, og dokumentationen viser hvorfor.

  1. 1

    Runde et

    Agenten foreslår ti kørsler. Tre når målet, og fire fejler af samme grund: en indstilling uden for det område, hvor metoden holder. Teamet bekræfter begge resultater.

  2. 2

    Runde to

    Agenten starter fra tilgangen bag de tre succeser og holder den fejlende indstilling ude af sin plan under de betingelser. Færre kørsler går til det, teamet allerede ved ikke virker.

  3. 3

    Runde tre

    En kørsel med en ny kombination lykkes, hvor det gamle førstevalg kom til kort. Den nye tilgang overtager pladsen forrest, knyttet til det resultat, der begrundede den.

  4. 4

    Gennemgangen

    Ved den næste gennemgang åbner lederen dokumentationen. Hver ændring i agentens planer står opført med resultaterne bag den, og én, der hvilede på et enkelt tvivlsomt resultat, fjernes for sig, mens resten bliver.

Selvforbedring trækker på de andre funktioner.

Bedre adfærd afhænger af god evidens, klare begrundelser og en dokumentation, dit team kan stole på.

  • Kontinuerlig læring

    Hvert bekræftet resultat læres fra næste forespørgsel og frem, hvilket giver selvforbedringen frisk evidens for hver runde.

  • Læring af årsag og virkning

    At vide, hvilken handling der førte til hvilket resultat, under hvilke betingelser, lader dine agenter forbedre sig det rigtige sted og lade resten være.

  • Beslutninger, der kender deres grænser

    Efterhånden som tilgange viser deres værd, afgøres flere rutinebeslutninger direkte, med færre modelkald på tilbagevendende arbejde.

  • Sporbarhed, gennemgang og aflæring

    Hver ændring i adfærd bevarer sin kilde, så enhver af dem kan gennemgås, rettes eller fjernes uden at røre resten.

Det får dit team.

Agenter, der bliver bedre for hver arbejdsrunde, med hver forbedring synlig og knyttet til sin evidens.

mere præcis end en model finjusteret til opgaven, på tilbagevendende arbejde, uden nogen træningskørsel, i MatterSpaces kontrollerede test
+16 pts
  • Færre gentagne fejl

    Et trin, der fejlede under kendte betingelser, holder op med at blive foreslået under de betingelser.

  • Færre spildte kørsler

    Regnekraft, materialer og instrumenttid går til tilgange med bekræftet evidens bag sig.

  • Forbedring mellem gennemgange

    Agenter bliver bedre på egen hånd, efterhånden som resultaterne kommer ind, uden at vente på, at nogen omskriver deres instruktioner.

  • Dokumentation af hver ændring

    Hver ændring i adfærd står opført med, hvad der ændrede sig, hvornår, og de resultater, der begrundede den.

  • Målt på dit arbejde

    Forbedring bedømmes ud fra de resultater, dine egne test, målinger og eksperter bekræfter.

  • Ingen træningskørsler

    Dine agenter forbedrer sig ved siden af modellen, med dens vægte uændrede, så der er intet datasæt at forberede og ingen træningscyklus at vente på.

Almindelige spørgsmål.

Hvordan ved MS Duplex, at en agent er blevet bedre?

Den måler mod bekræftede resultater: de resultater, dine test, målinger og eksperter bekræfter. Hver ændring i adfærd er knyttet til de resultater, der begrundede den, så dit team selv kan kontrollere evidensen for enhver forbedring.

Kan mit team se, hvorfor agenten opfører sig anderledes?

Ja. Hver ændring i adfærd er dokumenteret med sin begrundelse og resultaterne bag den. Dit team kan gennemgå enhver ændring og rette eller fjerne den for sig, mens alt andet bliver.

Hvem bestemmer, hvad agenten lærer af?

Det gør dit team. Agenten forbedrer sig ud fra de resultater og korrektioner, dit team vælger at gemme, og dine forskere og ingeniører bestemmer, hvad der tages i brug. Dine regler kommer først, og i styrede miljøer venter de trin, du vælger, på en person, før de kører.

Hvordan adskiller selvforbedring sig fra finjustering?

Finjustering forbedrer en model gennem en træningskørsel på et forberedt datasæt. MS Duplex forbedrer dine agenter ud fra bekræftede resultater, efterhånden som arbejdet skrider frem, ved siden af modellen, og holder hver ændring redigerbar. I MatterSpaces kontrollerede test klarede MS Duplex sig bedre end en model finjusteret til opgaven på tilbagevendende arbejde.

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.