Spring til indhold
Advancing Bits to Master Atoms

Vi præsenterer Neuro-Analytic AI.

Neuro-Analytic AI parrer den AI, du allerede bruger, med en komplementær analytisk AI, der lærer af validerede udfald og hjælper dig med at beslutte, hvad du skal prøve næste gang.

Kerneløftet: fleksibiliteten fra neural AI med præcisionen fra analytisk AI. MatterSpace er pioner på området og gør det til produkter, begyndende med MS Duplex. Udviklet af Faruk Guney.

En glat, afrundet form i satinsølv og en kantet, facetteret form i grafit, der passer sammen på en trinformet grafitsokkel, med en tynd koboltblå indlægning langs samlingen mellem dem.En glat, afrundet form i satinsølv og en kantet, facetteret form i grafit, der passer sammen på en trinformet grafitsokkel, med en tynd koboltblå indlægning langs samlingen mellem dem.

To slags AI, der hver gør det, de er bedst til.

Neural AI og analytisk AI er gode til forskellige ting. Side om side dækker hver især områder, som den anden dækker mindre godt.

  • Neural AI

    De modeller, dit team allerede bruger. De forstår en opgave beskrevet i almindeligt sprog, researcher den, skriver og ræsonnerer flydende og arbejder gennem de værktøjer, du giver adgang til.

  • Analytisk AI

    Arbejder ud fra de udfald, dit team har valideret. Den vejer, hvad der virkede, under hvilke betingelser og på hvor meget evidens, og den holder den vurdering opdateret, efterhånden som nye resultater kommer ind.

  • Sammen

    Den neurale side forstår opgaven og handler på den. Den analytiske side bringer erfaring og evidens ind i beslutningen. Resultatet er en agent, der forbedres for hver valideret lektie.

Trilemmaet, som neural AI ikke kan løse alene.

AI, der arbejder side om side med mennesker hver dag, har brug for tre egenskaber på én gang: plasticitet, så den lærer af nye resultater; stabilitet, så den bevarer det, den allerede ved; og redigerbarhed, så én bestemt viden kan ændres præcist. En neural model spreder alt, hvad den ved, over de samme delte vægte, så hver egenskab, man vinder, koster en anden.

  • Plasticitet

    Lær modellen noget nyt, og opdateringen rammer vægte, der også rummer det, den allerede vidste.

  • Stabilitet

    Beskyt det, den ved, og den lærer langsomt eller slet ikke før næste træningskørsel.

  • Redigerbarhed

    Ingen enkelt vægt rummer én bestemt kendsgerning, så en enkelt viden kan ikke rettes, fjernes eller spores til sin kilde præcist.

  • Omveje bytter én egenskab for en anden

    Finjustering køber plasticitet på bekostning af stabilitet. Genfinding og hukommelsesfiler tilføjer tekst uden at lære af den.

Analytisk AI har alle tre på én gang.

Analytisk AI gemmer det, den lærer, som særskilte læringer ved siden af modellen, ikke i dens vægte, hver med sin dokumentation og de betingelser, den gælder under. De tre egenskaber holder op med at konkurrere.

  • Plasticitet

    Ét valideret resultat læres med det samme og gælder fra næste forespørgsel, uden træningskørsel.

  • Stabilitet

    En ny læring lader alle andre være, som de var.

  • Redigerbarhed

    Enhver læring kan gennemses, rettes eller fjernes for sig og spores til sin kilde.

Præcision og fleksibilitet: kerneløftet i Neuro-Analytic AI.

Neural AI bringer fleksibilitet: Den forstår åbne opgaver, ræsonnerer og arbejder med værktøjer. Analytisk AI bringer præcision: Det lærte gælder præcis, hvor det holder, og en ændret kendsgerning erstattes præcist. Sammen får neural AI plasticitet, stabilitet og redigerbarhed, der er både stærke og præcise.

Fra imponerende demoer til det daglige arbejde.

Det er det, der gør AI operationel. En AI, der lærer i arbejdet, bevarer det lærte og kan rettes som enhver anden registrering, er en AI, som videnskabsfolk, ingeniører, forskere og erhvervsfolk kan stole på i deres daglige arbejde, ikke kun i en demo.

Hvorfor vi tror, at fremtiden er neuroanalytisk.

Større modeller ved mere, men størrelse alene lader ikke en model lære i arbejdet uden at glemme, eller en organisation rette og eje det, den har lært. Vi tror, at den AI, folk stoler på hver dag, vil forene neural fleksibilitet med analytisk præcision.

  • Arbejdet ændrer sig hele tiden

    Der kommer nye resultater hver dag. En AI, der kun lærer i træningskørsler, er altid bagud.

  • Tillid kræver rettelse

    Når AI tager fejl, skal folk kunne rette netop det og se, at det er rettet.

  • Erfaring er et aktiv

    Det, et team lærer, bør tilhøre teamet og ikke forsvinde ind i en models vægte.

  • Modellerne skifter hele tiden

    Erfaring skal overleve hver model, den blev lært med.

Inspireret af teorien om komplementære læringssystemer i kognitionsvidenskaben.

Teorien om komplementære læringssystemer beskriver læring i hjernen som arbejdet i to systemer: et, der lærer hurtigt af specifikke erfaringer, og et, der gradvist opbygger generel viden. Neuro-Analytic AI henter inspiration fra den idé til, hvordan to komplementære dele af et AI-system kan arbejde sammen.

MatterSpace fører Neuro-Analytic AI fra forskning til produkt.

MatterSpace er den førende virksomhed, der baner vejen for Neuro-Analytic AI og gør det til produkter. MS Duplex er det første: Forbind den AI, du allerede bruger, via MCP, og MS Duplex er den analytiske AI ved siden af, en selvforbedrende agent til videnskab, forskning og engineering.

Udviklet af Faruk Guney.

Se Neuro-Analytic AI i dit eget arbejde.

Et pilotprojekt med MS Duplex kører på dit eget tilbagevendende arbejde, ved siden af din nuværende opsætning, og dine eksperter bedømmer resultaterne.