Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex9 Min. Lesezeit

Unterscheide einen Befund von einer Vermutung, bevor der nächste teure Lauf startet.

Wie MS Duplex Ursache und Wirkung festhält, die Optionen durchspielt, bevor Rechenleistung oder Laborzeit aufgewendet wird, und die Entscheidungen, die es nicht treffen kann, an dein Modell oder eine Forscherin oder einen Forscher übergibt.

Eine satinsilberne Lupe an einem Ständer aus Graphit, gehalten über einem kleinen kobaltblauen Block auf dem gestuften Graphitsockel des Ständers.Eine satinsilberne Lupe an einem Ständer aus Graphit, gehalten über einem kleinen kobaltblauen Block auf dem gestuften Graphitsockel des Ständers.

Jedes Forschungsteam kennt den Unterschied zwischen einem Ergebnis, auf dem es aufbauen kann, und einem Ergebnis, das es einmal erzielt hat. Das erste wurde unter bekannten Bedingungen bestätigt und hält stand, wenn jemand es prüft. Das zweite könnte ein Zufall sein. Menschen, die schon eine Weile an einem Projekt arbeiten, tragen diesen Unterschied im Kopf. Ein KI-Agent tut das standardmäßig nicht: Er empfiehlt den nächsten Schritt mit derselben selbstsicheren Stimme, ob dieser Schritt auf vielen bestätigten Läufen beruht oder auf einem einzigen glücklichen Nachmittag.

Diese Lücke kostet Geld. Eine Einstellung, die zufällig vor einem Erfolg kam, wird wiederholt. Eine Option, die das Team bereits ausgeschlossen hat, wird erneut vorgeschlagen. Ein Fall, der nichts ähnelt, was das Team kennt, wird wie Routine behandelt, und ein teurer Lauf geht in die falsche Richtung. Dieser Beitrag betrachtet drei Fähigkeiten von MS Duplex, die die Lücke gemeinsam schließen: Ursache und Wirkung lernen, Simulation vor dem Handeln und Entscheidungen, die ihre Grenzen kennen.

Den Grund beim Ergebnis halten

Ein Ergebnis allein sagt, was passiert ist. Es sagt nicht, warum. Angenommen, zwei Läufe erreichen das Ziel, und beide haben dieselben zwei Einstellungen verwendet. Eine KI, die nur Ergebnisse festhält, kann nicht erkennen, welche Einstellung den Ausschlag gab, also empfiehlt sie beide, und ein Zufall beginnt sich wie eine Regel zu verhalten.

MS Duplex hält die Verbindung fest zwischen dem, was getan wurde, den Bedingungen, unter denen es getan wurde, und dem, was danach geschah, mit den Belegen hinter jedem Teil. Je mehr bestätigte Läufe hinzukommen, desto schärfer wird das Bild. Vielleicht führt eine Einstellung unter den üblichen Bedingungen des Teams zum Ziel, und die andere hat keinen Unterschied gemacht. Die erste wird zu einer belegten Verbindung. Die zweite wird beiseitegelegt, und die nächste Empfehlung stützt sich nicht mehr auf sie.

Was den Arbeitsalltag eines Teams verändert, ist die Kennzeichnung. Jede Empfehlung zeigt, ob die Verbindung dahinter belegt ist oder noch nicht, und für welche Bedingungen. Wenn eine Forscherin nach einer Bedingung fragt, die das Team nicht getestet hat, empfiehlt MS Duplex die belegte Einstellung und sagt, dass die Verbindung dort nicht belegt ist. Die Forscherin sieht eine Vermutung, die als Vermutung gekennzeichnet ist.

Jede Empfehlung enthält, was eine Kollegin oder ein Kollege braucht, um sie zu prüfen:

  • Die empfohlene Aktion und die bestätigten Ergebnisse, zu denen sie geführt hat
  • Die Bedingungen, unter denen diese Ergebnisse bestätigt wurden
  • Ob die Verbindung für die aktuellen Bedingungen belegt ist oder noch nicht
  • Die Quellen dahinter, damit andere Forschende die Empfehlung rekonstruieren können

So wird aus den Unbekannten ein Plan. Die Verbindungen, die am wichtigsten und noch nicht belegt sind, sind die Stellen, an denen das nächste Experiment am meisten bringt. Ein Team kann den ungetesteten Fall als gezielten Test durchführen, und das bestätigte Ergebnis erweitert die Verbindung entweder auf die neue Bedingung oder markiert, wo sie nicht mehr gilt. So oder so berücksichtigt die nächste Empfehlung das.

Eine verzweigte Reihe aufrecht stehender Graphitplättchen auf einem dunklen Sockel, am Anfang ein kobaltblaues Plättchen und ein Pfad umgefallener silberner Plättchen, der in einen einzigen Zweig führt.Eine verzweigte Reihe aufrecht stehender Graphitplättchen auf einem dunklen Sockel, am Anfang ein kobaltblaues Plättchen und ein Pfad umgefallener silberner Plättchen, der in einen einzigen Zweig führt.
Eine sich verzweigende Reihe aufrecht stehender Graphitplättchen, am Anfang ein kobaltblaues Plättchen und ein Pfad umgefallener silberner Plättchen, der in einen einzigen Zweig führt: eine Aktion, bis zu dem Ergebnis verfolgt, zu dem sie geführt hat, während die anderen Zweige stehen bleiben.

Die Optionen durchspielen, bevor das Budget ausgegeben ist

Die meisten Forschungsbudgets werden Entscheidung für Entscheidung ausgegeben: eine lange Simulation auf gemeinsamer Rechenleistung, ein Experiment, das knappes Material oder Gerätezeit verbraucht, ein Design-Review, das eine Expertin von anderer Arbeit abzieht. Jeder dieser Schritte lohnt sich nur, wenn er die Arbeit dem Ziel näherbringen kann. Bei festem Budget bedeutet jede Sackgasse einen Lauf weniger für eine Option, die hätte funktionieren können.

Vor einem kostspieligen Schritt wägt MS Duplex das wahrscheinliche Ergebnis jeder Option gegen das Ziel ab und nutzt dabei, was dein Team bereits bestätigt hat: die Ergebnisse, die Bedingungen, unter denen sie gelten, die Korrekturen deiner Experten und die gescheiterten Läufe. Optionen, die das Ziel nicht erreichen können oder unter denselben Bedingungen bereits gescheitert sind, werden beiseitegelegt, bevor etwas dafür aufgewendet wird. Deine Simulatoren, Instrumente und dein Analysecode liefern weiterhin die Ergebnisse. MS Duplex hilft zu entscheiden, welche Läufe sich lohnen.

Angenommen, ein Team hat in dieser Runde Budget für drei lange Läufe und neun Kandidatendesigns auf der Liste. Eine Runde könnte so ablaufen:

  1. Die Liste kommt anDer Agent schlägt neun Designs für die Runde vor, jedes mit den Einstellungen, unter denen es laufen würde.
  2. Jedes wird abgewogenMS Duplex spielt jedes Design gegen das Ziel durch und nutzt dabei die bestätigten Ergebnisse des Teams und die Bedingungen, unter denen sie gelten.
  3. Sackgassen werden beiseitegelegtZwei Designs wiederholen eine Kombination, die unter denselben Bedingungen bereits gescheitert ist, und eines hängt von einer Einstellung ab, die eine Expertin früher im Projekt korrigiert hat. Jedes wird mit seiner Begründung beiseitegelegt.
  4. Dünne Beleglage wird markiertBei zwei weiteren Designs spricht die Erfahrung des Teams noch nicht für das eine oder das andere. Diese Wahl geht an das Modell oder an die Teamleitung, mit einem Hinweis darauf, was fehlt.
  5. Drei Läufe startenDie vielversprechendsten Designs laufen über die eigenen Tools des Teams. In einer regelgesteuerten Umgebung kann ein Lauf über dem Kostenlimit des Teams zuerst auf die Freigabe durch einen Menschen warten.
  6. Die nächste Runde beginnt weiter vornDie Ergebnisse werden bestätigt, die Begründung hinter jedem Lauf und jedem beiseitegelegten Design bleibt im Protokoll, und die nächste Runde beginnt bei dem, was diese gezeigt hat.

Das Protokoll zählt so viel wie die Auswahl. Eine Leitung, die einen teuren Lauf freigibt, kann sehen, warum er den Alternativen vorgezogen wurde. Wer später zum Projekt dazukommt, kann sehen, warum ein vielversprechend wirkendes Design beiseitegelegt wurde und ob der Grund noch gilt.

Entscheiden, was bekannt ist, weitergeben, was nicht

Ein Großteil der KI-Arbeit eines Forschungsteams ist dieselbe Entscheidung, immer wieder getroffen: welche Einstellung zu einer vertrauten Analyse passt, ob ein Kandidat ein bekanntes Screening besteht, welche Methode zu einem Standardfall passt. Jede davon durch ein Modell zu schicken, kostet Aufrufe und Zeit, und die Antwort kann zwischen Läufen schwanken, auch wenn der Fall gleich geblieben ist.

Wo eine Methode, die dein Team bestätigt hat, unter passenden Bedingungen eindeutig greift, trifft MS Duplex die Entscheidung direkt und konsistent, oft ganz ohne Modellaufruf. Jede Entscheidung verweist auf die Methode und die Belege dahinter. Wo die Beleglage dünn ist, geht die Entscheidung an dein Modell, das sie durchdenkt, mit einem Hinweis darauf, was fehlt. Wo der Fall nichts ähnelt, was dein Team bestätigt hat, wird er für eine Forscherin oder einen Forscher markiert, mit Begründung.

Wenn der Fall das nächste Mal auftaucht

Die Entscheidung einer Forscherin oder eines Forschers zu einem markierten Fall wird mit ihrer Begründung gelernt. Wenn ein ähnlicher Fall unter denselben Bedingungen ankommt, kann MS Duplex ihn direkt entscheiden, und der Experte muss dieselbe Frage nicht noch einmal beantworten. Jede bestätigte Entscheidung erweitert die Menge der Fälle, die das Team ohne Rückfrage entscheiden kann, und die verbleibenden Übergaben sind die, die einen Menschen brauchen.

  • −89%weniger Modellaufrufe als ein für die Aufgabe feinabgestimmtes Modell, bei wiederkehrender Arbeit, in den kontrollierten Tests von MatterSpace

Diese Zahl stammt aus den kontrollierten Tests von MatterSpace bei wiederkehrender Arbeit, in denen Entscheidungen, die eine gelernte Methode trifft, keinen Modellaufruf brauchen. Sie zeigt, woher die Einsparungen kommen: Die Modellkosten fließen in die Fälle, die Schlussfolgerungen brauchen. Ein Pilotprojekt misst, was es an deiner eigenen Arbeit leistet.

Eine Sortierweiche in satiniertem Silber an einem Rahmen aus Graphit, silberne Kugeln fallen gerade durch die Mitte, während kobaltblaue Kugeln in eine seitliche Rinne umgeleitet werden.Eine Sortierweiche in satiniertem Silber an einem Rahmen aus Graphit, silberne Kugeln fallen gerade durch die Mitte, während kobaltblaue Kugeln in eine seitliche Rinne umgeleitet werden.
Ein satiniert silbernes Sortiertor auf einem graphitfarbenen Rahmen, silberne Kugeln fallen gerade durch die Mitte, während kobaltblaue Kugeln in eine seitliche Rutsche umgeleitet werden: Routinefälle gehen direkt durch, und die ungewöhnlichen werden an das Modell oder den Menschen geschickt, der sie übernehmen sollte.

Was sich für die Menschen ändert, die die Arbeit leiten

Die drei Fähigkeiten beruhen auf demselben Protokoll, deshalb stärkt jede die anderen. Was das Team über Ursache und Wirkung lernt, ist das, woran jede Option vor einem kostspieligen Schritt gemessen wird. Wo die Belege eindeutig für eine Option sprechen, wird die Wahl direkt getroffen. Wo sie dünn sind, geht sie an einen Menschen. Jedes Ergebnis, das zurückkommt, ergänzt die Verbindungen, auf die sich die nächste Wahl stützt.

Für eine Forschungsleitung zeigt sich die Veränderung an einigen konkreten Stellen:

  • Empfehlungen, die sagen, ob sie auf einer belegten Verbindung oder auf einer Annahme beruhen.
  • Teure Läufe, die mit den Alternativen und den Gründen im Protokoll ausgewählt werden.
  • Expertenzeit für die Entscheidungen, die einen Experten brauchen, jeweils mit einem Hinweis, warum sie weitergeleitet wurden.
  • Routineentscheidungen, die konsistent getroffen werden, wenn derselbe Fall unter denselben Bedingungen auftaucht.
  • Modellkosten, die in die Fälle fließen, die Schlussfolgerungen brauchen.

Stellt sich eine Verbindung als falsch heraus, kann das Team sie für sich korrigieren oder entfernen. Entfernst du sie, verschwinden auch die Empfehlungen, die auf ihr beruhten, während alles andere bleibt, wie es war.

An deinen eigenen Entscheidungen beurteilen

Der faire Test ist die Arbeit, die dein Team bereits wiederholt. Wähle wiederkehrende Workflows, in denen Entscheidungen immer wieder anfallen und ein falscher oder unnötiger Lauf teuer ist. Lege mit deinen Experten das Maß fest, bevor irgendetwas läuft: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert. Nutze dann dasselbe Modell, dieselben Tools, Daten und dasselbe Budget mit und ohne MS Duplex, und lass deine Experten die Ergebnisse bewerten, ohne dass sie wissen, welches Setup sie erzeugt hat.

Schau bei dieser Gruppe von Fähigkeiten genau auf die teuren Läufe, die in Optionen geflossen sind, die das Team bereits ausgeschlossen hatte, darauf, ob jede Übergabe die richtige Person mit einer brauchbaren Begründung erreicht hat, und darauf, ob andere Forschende eine Empfehlung ohne Hilfe aus dem Protokoll rekonstruieren können.

Häufige Fragen

Woher weiß MS Duplex, dass eine Verbindung belegt ist?

Es behandelt eine Verbindung zwischen einer Aktion und einem Ergebnis nur so weit als belegt, wie die bestätigten Ergebnisse deines Teams sie stützen, und nur für die Bedingungen, unter denen sie bestätigt wurden. Außerhalb dieser Bedingungen sagt die Empfehlung, dass die Verbindung noch nicht belegt ist.

Ersetzt Simulation vor dem Handeln unsere Simulatoren?

Deine Simulatoren, Instrumente und dein Analysecode liefern weiterhin die Ergebnisse. Simulation vor dem Handeln hilft zu entscheiden, welche Läufe sich lohnen, indem jede Option gegen das Ziel und gegen das abgewogen wird, was dein Team bereits bestätigt hat.

Wer trifft die Entscheidungen, die MS Duplex nicht trifft?

Fälle, die Schlussfolgerungen brauchen, gehen an dein Modell, mit einem Hinweis darauf, welche Belege fehlen. Fälle, die nichts ähneln, was dein Team bestätigt hat, werden für eine Forscherin oder einen Forscher markiert. Diese Entscheidung wird mit ihrer Begründung gelernt, sodass der nächste ähnliche Fall direkt entschieden werden kann.

Kann eine Person einen kostspieligen Lauf trotzdem freigeben?

Ja. In regelgesteuerten Umgebungen warten die Schritte, die dein Team auswählt, etwa eine teure Simulation, auf die Freigabe durch einen Menschen, bevor sie beginnen, und die Freigabe wird mit der Angabe, wer was freigegeben hat, protokolliert.

Gebaut von MatterSpace

MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.

Weiterlesen

  • Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.

    MS Duplex8 Min. Lesezeit

    MS Duplex stellt sich vor: selbstverbessernde Agenten für Teams in Wissenschaft und Technik.

    MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, und lässt sie aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernen. Was es ist, für wen es gedacht ist und wie du anfängst.

    Beitrag lesen →
  • Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.

    MS Duplex8 Min. Lesezeit

    Warum deine Forschungs-KI vergisst und was es dein Team kostet.

    Die meisten KI-Tools beginnen jede Sitzung mit dem, was das Modell wusste, als sein Training endete. Was das ein Forschungsteam kostet und was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden.

    Beitrag lesen →
  • Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.

    MS Duplex8 Min. Lesezeit

    Lernen aus jedem bestätigten Ergebnis, ohne Trainingslauf.

    Wie MS Duplex sich für Forschungsteams von Fine-Tuning unterscheidet: wofür sich beides eignet, warum eine Korrektur ab der nächsten Anfrage gilt und wie sich eine einzelne Lektion für sich ändern oder entfernen lässt.

    Beitrag lesen →

Damit der nächste Lauf vom letzten profitiert.

Bring uns die Forschung, in der deine KI besser werden soll. Wir planen ein Pilotprojekt an deinen eigenen Workflows, mit deinen Experten als Jury.