Zum Inhalt springen
Advancing Bits to Master Atoms

Selbstverbesserung.
Deine Agenten werden mit jedem bestätigten Ergebnis besser.

Die meisten KI-Agenten verhalten sich bei ihrer hundertsten Aufgabe so wie bei ihrer ersten. MS Duplex sorgt dafür, dass sich die Agenten, die dein Team bereits nutzt, mit jeder Arbeitsrunde verbessern.

Lernen und verbessern · eine der vierzehn Fähigkeiten von MS Duplex

Eine Treppe aus quadratischen Blöcken auf einem Sockel aus Graphit, unten grober Graphit, weiter oben feineres satiniertes Silber und ein kobaltblauer Block als oberste Stufe.Eine Treppe aus quadratischen Blöcken auf einem Sockel aus Graphit, unten grober Graphit, weiter oben feineres satiniertes Silber und ein kobaltblauer Block als oberste Stufe.

Dein Team bekommt

  • Weniger wiederholte Fehler und vergeudete Läufe
  • Agenten, die sich zwischen Reviews selbstständig verbessern
  • Ein Protokoll jeder Verhaltensänderung und ihres Grundes

Was Selbstverbesserung für dein Team bedeutet.

Selbstverbesserung bedeutet, dass deine Agenten ihre Arbeitsweise aufgrund dessen ändern, was deine Arbeit bestätigt hat. Ein Ansatz, der erfolgreich war, rückt in der Liste nach vorn. Ein Schritt, der unter bestimmten Bedingungen gescheitert ist, wird unter diesen Bedingungen nicht mehr vorgeschlagen. Jede Arbeitsrunde lässt die nächste weiter vorn beginnen.

Der Maßstab sind deine eigenen Ergebnisse. MS Duplex bewertet jede Verhaltensänderung anhand der Resultate, die deine Tests, Messungen und Experten bestätigen, und knüpft sie an die Ergebnisse, die sie begründet haben. Weil diese Belege laufend eintreffen, während die Arbeit weitergeht, verbessern sich deine Agenten zwischen den Reviews selbstständig.

Jede Verbesserung ist festgehalten. Für jede Änderung kann dein Team sehen, was der Agent jetzt anders macht, seit wann und welche Ergebnisse das begründet haben. Wenn eine Teamleitung fragt, warum sich der Agent heute besser verhält als letzten Monat, liegt die Antwort vor, mit ihren Quellen.

Warum Forschung Agenten braucht, die mit der Nutzung besser werden.

Forschungsarbeit wiederholt sich. Dieselben Arten von Entscheidungen kehren Woche für Woche wieder, und ein Agent, der nicht daraus lernt, macht dieselben Fehler zu denselben Kosten.

Ein großer Teil der KI-Arbeit eines Forschungsteams wiederholt sich: Kandidaten ranken, Einstellungen wählen, die nächste Serie von Läufen planen, eine Analyse prüfen. Jede Runde liefert Belege dafür, was funktioniert hat und was nicht. Ein Agent, der mit der Nutzung besser wird, macht aus diesen Belegen gleich in der nächsten Runde besseres Verhalten.

Ohne Selbstverbesserung muss die Verbesserung von Menschen kommen. Experten prüfen dieselben Arten von Ausgaben und korrigieren dieselben Arten von Fehlern, Prompts und Notizen werden länger, und der Agent bleibt so gut wie beim letzten Mal, als jemand seine Anweisungen bearbeitet hat. Die Erfahrung des Teams wächst, während die des Agenten bleibt, wo sie war.

  • Wiederkehrende Arbeit summiert sich

    Eine kleine Verbesserung bei einer Entscheidung, die dein Team jeden Tag trifft, ist mehr wert als eine große bei einer Entscheidung, die einmal getroffen wird.

  • Verschwendete Läufe sind teuer

    Jeder gescheiterte Ansatz, den ein Agent erneut vorschlägt, verbraucht ein zweites Mal Rechenleistung, Material oder Gerätezeit.

  • Reviews haben Grenzen

    Experten können nicht jeden Schritt prüfen, also muss der Agent zwischen ihren Reviews ebenso besser werden wie während der Reviews.

  • Führungskräfte müssen den Fortschritt sehen

    Einer Verbesserung, die dein Team nicht auf Belege zurückführen kann, lässt sich schwer vertrauen, und sie ist noch schwerer zu verteidigen.

Eine runde Messuhr in satiniertem Silber auf einem Ständer aus Graphit, ihre kobaltblaue Nadel zeigt weit oben auf einer fein gravierten Skala.Eine runde Messuhr in satiniertem Silber auf einem Ständer aus Graphit, ihre kobaltblaue Nadel zeigt weit oben auf einer fein gravierten Skala.

Wie Selbstverbesserung im Arbeitsalltag deines Teams funktioniert.

Deine Agenten erledigen weiter die Arbeit. MS Duplex nimmt die Ergebnisse, die dein Team erfassen möchte, und macht daraus besseres Verhalten für die nächste Runde.

  1. 1

    Der Agent schlägt vor

    Er empfiehlt einen Ansatz, eine Einstellung oder einen nächsten Schritt und stützt sich dabei auf das, was dein Team bereits bestätigt hat.

  2. 2

    Das Ergebnis kommt zurück

    Ein Test, eine Messung oder ein Experte zeigt, ob der Vorschlag funktioniert hat und unter welchen Bedingungen.

  3. 3

    Das Verhalten ändert sich

    Was funktioniert hat, wird zu einer der ersten Wahlen des Agenten. Was unter diesen Bedingungen gescheitert ist, wird dort nicht mehr vorgeschlagen.

  4. 4

    Die Änderung wird protokolliert

    Jede Verbesserung wird mit den Ergebnissen festgehalten, die sie begründet haben, sodass dein Team sie prüfen, korrigieren oder entfernen kann.

Ein Beispiel für jedes Fachgebiet, in dem ein Agent Läufe plant.

Der Agent eines Teams plant Serien von Läufen auf ein Ziel hin. Über mehrere Arbeitsrunden werden seine Pläne besser, und das Protokoll zeigt, warum.

  1. 1

    Runde eins

    Der Agent schlägt zehn Läufe vor. Drei erreichen das Ziel, und vier scheitern aus demselben Grund: eine Einstellung außerhalb des Bereichs, in dem die Methode gilt. Das Team bestätigt beide Ergebnisse.

  2. 2

    Runde zwei

    Der Agent geht vom Ansatz hinter den drei Erfolgen aus und hält die gescheiterte Einstellung unter diesen Bedingungen aus seinem Plan heraus. Weniger Läufe gehen an das, wovon das Team bereits weiß, dass es nicht funktioniert.

  3. 3

    Runde drei

    Ein Lauf mit einer neuen Kombination gelingt, wo die bisherige erste Wahl nicht ausgereicht hat. Der neue Ansatz tritt an ihre Stelle ganz vorn, geknüpft an das Ergebnis, das ihn begründet hat.

  4. 4

    Das Review

    Beim nächsten Review öffnet die Teamleitung das Protokoll. Jede Änderung an den Plänen des Agenten ist mit den Ergebnissen dahinter aufgeführt, und eine, die auf einem einzigen zweifelhaften Ergebnis beruhte, wird für sich entfernt, während der Rest bleibt.

Selbstverbesserung stützt sich auf die anderen Fähigkeiten.

Besseres Verhalten hängt von guten Belegen, klaren Gründen und einem Protokoll ab, dem dein Team vertrauen kann.

  • Kontinuierliches Lernen

    Aus jedem bestätigten Ergebnis wird ab der nächsten Anfrage gelernt, was der Selbstverbesserung mit jeder Runde neue Belege liefert.

  • Ursache und Wirkung lernen

    Zu wissen, welche Aktion unter welchen Bedingungen zu welchem Ergebnis geführt hat, lässt deine Agenten an der richtigen Stelle besser werden und den Rest unberührt lassen.

  • Entscheidungen, die ihre Grenzen kennen

    Wenn sich Ansätze bewähren, werden mehr Routineentscheidungen direkt getroffen, mit weniger Modellaufrufen bei wiederkehrender Arbeit.

  • Herkunftsnachweis, Prüfung und Verlernen

    Jede Verhaltensänderung behält ihre Quelle, sodass jede einzelne geprüft, korrigiert oder entfernt werden kann, ohne den Rest zu berühren.

Was dein Team bekommt.

Agenten, die mit jeder Arbeitsrunde besser werden, wobei jede Verbesserung sichtbar und an ihre Belege geknüpft ist.

genauer als ein für die Aufgabe feinabgestimmtes Modell, bei wiederkehrender Arbeit, ohne Trainingslauf, in den kontrollierten Tests von MatterSpace
+16 Punkte
  • Weniger wiederholte Fehler

    Ein Schritt, der unter bekannten Bedingungen gescheitert ist, wird unter diesen Bedingungen nicht mehr vorgeschlagen.

  • Weniger verschwendete Läufe

    Rechenleistung, Material und Gerätezeit gehen an Ansätze, hinter denen bestätigte Belege stehen.

  • Verbesserung zwischen den Reviews

    Agenten werden selbstständig besser, sobald Ergebnisse eintreffen, ohne darauf zu warten, dass jemand ihre Anweisungen neu schreibt.

  • Ein Protokoll jeder Änderung

    Jede Verhaltensänderung ist aufgeführt, mit dem, was sich geändert hat, wann, und den Ergebnissen, die das begründet haben.

  • Gemessen an deiner Arbeit

    Verbesserung wird an den Ergebnissen gemessen, die deine eigenen Tests, Messungen und Experten bestätigen.

  • Keine Trainingsläufe

    Deine Agenten verbessern sich neben dem Modell, dessen Gewichte bleiben, wie sie sind, sodass kein Datensatz vorbereitet und kein Trainingszyklus abgewartet werden muss.

Häufige Fragen.

Woran erkennt MS Duplex, dass sich ein Agent verbessert hat?

Es misst an bestätigten Ergebnissen: den Resultaten, die deine Tests, Messungen und Experten bestätigen. Jede Verhaltensänderung ist an die Ergebnisse geknüpft, die sie begründet haben, sodass dein Team die Belege für jede Verbesserung selbst prüfen kann.

Kann mein Team sehen, warum sich der Agent anders verhält?

Ja. Jede Verhaltensänderung ist mit ihrem Grund und den Ergebnissen dahinter festgehalten. Dein Team kann jede Änderung prüfen und sie für sich korrigieren oder entfernen, während alles andere bleibt.

Wer entscheidet, woraus der Agent lernt?

Dein Team. Der Agent verbessert sich anhand der Ergebnisse und Korrekturen, die dein Team erfassen möchte, und deine Wissenschaftler und Ingenieure entscheiden, was übernommen wird. Deine Regeln stehen an erster Stelle, und in regelgesteuerten Umgebungen warten die Schritte, die du auswählst, auf eine Person, bevor sie laufen.

Worin unterscheidet sich Selbstverbesserung von Fine-Tuning?

Fine-Tuning verbessert ein Modell durch einen Trainingslauf mit einem vorbereiteten Datensatz. MS Duplex verbessert deine Agenten anhand bestätigter Ergebnisse, während die Arbeit weitergeht, neben dem Modell, und hält jede Änderung bearbeitbar. In den kontrollierten Tests von MatterSpace lag MS Duplex bei wiederkehrender Arbeit vor einem für die Aufgabe feinabgestimmten Modell.

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.