Spring til indhold
Advancing Bits to Master Atoms

Simulering før handling.
Spiller mulighederne igennem, før regnekraft eller laboratorietid bruges.

De muligheder, der ikke kan nå målet, lægges til side tidligt, og budgettet går til de kørsler, der med størst sandsynlighed bringer arbejdet videre.

Planlæg og beslut · en af de fjorten funktioner i MS Duplex

En grafitblok udskåret med et forgrenet træ af kanaler, en sølvkugle ved forgreningen og små koboltblå kugler langs kun én gren.En grafitblok udskåret med et forgrenet træ af kanaler, en sølvkugle ved forgreningen og små koboltblå kugler langs kun én gren.

Det får dit team

  • Færre dyre kørsler, der aldrig ville have virket
  • Budget brugt, hvor det tæller
  • Ræsonnementet bag hvert valg, dokumenteret

Hvad simulering før handling betyder for dit team.

Simulering før handling betyder, at din AI tænker et kostbart trin igennem, før den tager det. Når der er flere veje frem, vejer MS Duplex det sandsynlige udfald af hver enkelt op mod målet, så valget hviler på evidens frem for på den første idé, der dukkede op.

Afvejningen trækker på dit teams egen erfaring: de resultater, der blev bekræftet, de betingelser, de gælder under, de korrektioner, dine eksperter lavede, og de kørsler, der fejlede. En mulighed, der allerede er fejlet under samme betingelser, eller som ikke kan nå målet, lægges til side, før der bruges noget på den.

Dine egne simulatorer, instrumenter og din analysekode forbliver, som de er, og de frembringer stadig resultaterne. MS Duplex hjælper med at afgøre, hvilke kørsler der er værd at foretage, og registrerer ræsonnementet bag hvert valg.

Hvorfor forskning skal se sig for, før den kører.

Regnekraft, instrumenttid og eksperters opmærksomhed er et forskningsteams reelle budget. Hver kørsel, der aldrig ville have virket, bruges af det.

Mange forskningsbeslutninger handler om at vælge den næste kørsel blandt flere kandidater. En lang simulering på delt regnekraft, et eksperiment, der bruger knapt materiale eller instrumenttid, en designgennemgang, der tager en ekspert væk fra andet arbejde: hver af dem er kun værd at køre, hvis den kan bringe arbejdet nærmere målet.

Uden et blik fremad vælger agenter af vane eller efter den første plausible idé. Muligheder, dit team allerede ved vil fejle, foreslås igen, og budgettet slipper op, før de mest lovende muligheder nås. Simulering før handling lægger dit teams bekræftede erfaring frem foran hvert kostbart valg.

  • Kørsler er dyre

    En enkelt kørsel kan lægge beslag på en stor del af den regnekraft, instrumenttid eller ekspertopmærksomhed, et team har.

  • Budgetter er faste

    Hver kørsel, der bruges på en mulighed, som ikke kunne nå målet, er én kørsel mindre til de muligheder, der kunne.

  • Erfaring bør tælle

    Det, dit team allerede har bekræftet og udelukket, bør forme det næste valg, før det træffes.

  • Valg kræver begrundelser

    En leder, der godkender en kostbar kørsel, bør kunne se, hvorfor den blev valgt frem for alternativerne.

En vægt i satinsølv på en grafitbase med to grafitblokke i den ene skål og en enkelt koboltblå blok i den anden.En vægt i satinsølv på en grafitbase med to grafitblokke i den ene skål og en enkelt koboltblå blok i den anden.

Sådan fungerer simulering før handling i dit teams hverdag.

Din agent fortsætter med at foreslå det næste trin. Før et kostbart trin kører, ser MS Duplex fremad.

  1. 1

    Mulighederne ligger på bordet

    Din agent når et kostbart trin og har flere veje frem: forskellige indstillinger, kandidater, metoder eller kørsler.

  2. 2

    Hver mulighed spilles igennem

    MS Duplex vejer det sandsynlige udfald af hver mulighed op mod målet ud fra de resultater, betingelser og korrektioner, dit team har bekræftet.

  3. 3

    Blindgyder lægges til side

    Muligheder, der ikke kan nå målet, eller som allerede er fejlet under samme betingelser, lægges til side, før der bruges noget på dem.

  4. 4

    Budgettet går derhen, hvor det tæller

    De mest lovende muligheder går videre gennem dine egne værktøjer, og ræsonnementet bag valget registreres.

Et eksempel, inden for ethvert felt, hvor kørsler er kostbare.

Et teams agent har budget til et lille antal dyre kørsler og en lang liste af kandidatindstillinger at vælge imellem.

  1. 1

    Listen

    Agenten foreslår tolv kandidatindstillinger til den næste runde kørsler. Budgettet rækker til fire.

  2. 2

    Blikket fremad

    MS Duplex vejer hver indstilling op mod målet. Tre ligger ud over en driftsgrænse, en ekspert bekræftede i sidste måned, og to gentager en kombination, der allerede er fejlet under samme betingelser.

  3. 3

    Valget

    De fem lægges til side, hver med sin begrundelse. Af de syv, der er tilbage, går de fire, der med størst sandsynlighed bringer arbejdet videre, i gang, og de andre tre venter på den næste runde.

  4. 4

    Dokumentationen

    Resultaterne kommer tilbage og bliver bekræftet. Teamlederen ser, hvorfor hver indstilling blev kørt eller lagt til side, og den næste runde starter fra det, denne runde bekræftede.

Simulering før handling arbejder sammen med de andre funktioner.

Et blik fremad er kun så godt som erfaringen bag det, og hvert valg, det træffer, føjer til den erfaring.

  • Langsigtet planlægning

    Ved hvert checkpoint i en lang kampagne spilles de næste muligheder igennem, før planen binder budget til dem.

  • Læring af årsag og virkning

    Det, dit team har lært om, hvilken handling der førte til hvilket resultat, under hvilke betingelser, er det, hver mulighed vejes op mod.

  • Beslutninger, der kender deres grænser

    Hvor evidensen klart taler for en mulighed, afgøres valget direkte, og hvor den er tynd, går det til din model eller en forsker.

  • Regler og godkendelser

    I styrede miljøer kan de muligheder, der går videre, stadig vente på en persons godkendelse, før det kostbare trin begynder.

Det får dit team.

Forskningsbudget brugt på de kørsler, der kan bringe arbejdet videre, med ræsonnementet dokumenteret.

  • Færre kørsler, der aldrig ville have virket

    Muligheder, der ikke kan nå målet, lægges til side, før der bruges regnekraft eller laboratorietid på dem.

  • Budget brugt, hvor det tæller

    De kørsler, der går videre, er dem, der med størst sandsynlighed bringer arbejdet nærmere målet.

  • Din erfaring i hvert valg

    Bekræftede resultater, kendte betingelser og ekspertkorrektioner former hvert kostbart valg, før det træffes.

  • Kendte fejl lagt til side

    En mulighed, der allerede er fejlet under samme betingelser, lægges til side i stedet for at blive foreslået igen.

  • Dokumenteret ræsonnement

    Hvert valg bevarer begrundelserne for, at det blev truffet, så alle kan se, hvorfor én kørsel gik videre og en anden ventede.

  • Dine værktøjer, som de er

    Dine simulatorer, instrumenter og din analysekode udfører stadig arbejdet, og MS Duplex hjælper med at afgøre, hvilke kørsler der er værd at foretage.

Almindelige spørgsmål.

Erstatter simulering før handling vores egne simuleringer?

Dine simuleringer og eksperimenter frembringer stadig resultaterne. Simulering før handling hjælper med at afgøre, hvilke af dem der er værd at køre, ved at veje hver mulighed op mod målet og op mod det, dit team allerede har bekræftet.

Hvad bruger MS Duplex til at veje mulighederne?

Dit teams egen erfaring: de resultater, der blev bekræftet, de betingelser, de gælder under, de korrektioner, dine eksperter lavede, og de kørsler, der fejlede. Hvert valg bevarer en dokumentation af, hvad det hvilede på.

Hvad sker der, når evidensen er for tynd til at vælge?

Det siger MS Duplex. Hvor dit teams erfaring endnu ikke taler for én mulighed, går valget til din model eller markeres til en forsker, med begrundelsen.

Kan en person stadig godkende en kostbar kørsel?

Ja. I styrede miljøer venter de trin, du vælger, såsom en dyr simulering, på en persons godkendelse, før de begynder, og godkendelsen registreres.

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.