Saltar al contenido
Advancing Bits to Master Atoms

Procedencia, revisión y desaprendizaje.
Cada lección conserva su fuente y se puede corregir o eliminar.

En MS Duplex, cada elemento de experiencia muestra su fuente y en qué se basa, en un único historial que tu equipo puede revisar y exportar.

Recordar y gobernar · una de las catorce capacidades de MS Duplex

Una cadena de eslabones de plata satinada tendida sobre un pedestal de grafito, que lleva hasta un pequeño bloque azul cobalto en un extremo.Una cadena de eslabones de plata satinada tendida sobre un pedestal de grafito, que lleva hasta un pequeño bloque azul cobalto en un extremo.

Lo que obtiene tu equipo

  • Decisiones que otro investigador puede reproducir
  • Errores corregidos con precisión, sin efectos secundarios
  • Un historial completo y exportable del trabajo

Qué significan la procedencia, la revisión y el desaprendizaje para tu equipo.

La procedencia significa que cada elemento de experiencia en MS Duplex muestra de dónde viene: el resultado, la medición o el juicio experto que lo respalda, y las condiciones en las que se confirmó. Cuando un agente recomienda un paso, tu equipo puede ver en qué se basa esa recomendación.

La revisión significa que todo el registro está en un único historial que tu equipo puede leer y exportar. Recoge lo que se aprendió, lo que se usó y lo que se aprobó, y está firmado. Otro investigador puede reconstruir una decisión a partir de él y comprobarla por sí mismo.

El desaprendizaje significa que un error puede corregirse con precisión. Corrige una lección y solo cambia esa lección. Elimínala y las recomendaciones que dependían de ella desaparecen con ella, mientras todo lo demás sigue como estaba. Una lección eliminada puede restaurarse si tu equipo cambia de opinión.

Por qué la investigación necesita una IA que muestre sus fuentes.

Una conclusión vale lo que vale la evidencia que la respalda. Una IA que no puede mostrar sus fuentes le pide a tu equipo que la crea bajo palabra.

En investigación, cada resultado tiene que ser trazable. Un revisor pregunta de dónde salió una cifra, un compañero quiere comprobar una decisión antes de construir sobre ella y un proyecto posterior necesita saber qué supuestos se cumplían en su momento. Cuando el razonamiento de la IA se basa en lecciones sin fuente, ninguna de estas preguntas tiene respuesta.

Los errores también ocurren. Una medición resulta ser incorrecta, o la corrección de un experto solo era válida en condiciones que nadie anotó. Cuando el conocimiento está incorporado en los pesos de un modelo, corregir una sola cosa implica otra ejecución de entrenamiento, y otros conocimientos pueden deteriorarse con ella. En MS Duplex cada lección es independiente, así que tu equipo corrige o elimina la que está mal.

  • Evidencia trazable

    Cada lección remite al resultado, la medición o el juicio experto del que procede.

  • Decisiones reproducibles

    Otro investigador puede reconstruir una decisión a partir del registro y comprobarla por sí mismo.

  • Correcciones precisas

    Una lección errónea puede corregirse sin tocar el resto de lo que ha construido el equipo.

  • Conocimiento que avanza

    Una nueva medición sustituye a la anterior, y se conserva el historial de lo que cambió.

Un núcleo cilíndrico vertical de estratos de grafito y plata satinada sobre una base de grafito, con un fino hilo azul cobalto que atraviesa cada capa.Un núcleo cilíndrico vertical de estratos de grafito y plata satinada sobre una base de grafito, con un fino hilo azul cobalto que atraviesa cada capa.

Cómo funcionan la procedencia, la revisión y el desaprendizaje en el día a día de tu equipo.

Tu equipo sigue trabajando como hoy. MS Duplex mantiene el registro a medida que avanza el trabajo y le da a tu equipo los controles para actuar sobre él.

  1. 1

    Una lección se guarda con su fuente

    Cuando se confirma un resultado o un experto corrige al agente, MS Duplex registra la lección con su evidencia y las condiciones en las que se cumple.

  2. 2

    Las recomendaciones muestran su base

    Cuando un agente propone un paso, tu equipo puede ver en qué lecciones se basa y de dónde viene cada una.

  3. 3

    Se revisa el registro

    Las personas dentro de su ámbito pueden revisar el historial de lo que se aprendió, se usó y se aprobó, y exportarlo.

  4. 4

    Se corrige o se elimina una lección

    Si una lección es errónea, tu equipo la corrige y solo cambia esa lección, o la elimina y las recomendaciones que se basaban en ella desaparecen también. Puede restaurarse más adelante.

Un ejemplo, en cualquier campo en el que un agente clasifique candidatos.

El agente de un equipo clasifica diseños candidatos para su revisión. A lo largo de una semana, un valor de referencia en el que se basan varias recomendaciones resulta ser erróneo.

  1. 1

    Una pregunta sobre una clasificación

    El lunes, un revisor pregunta por qué un candidato está en primer lugar. El registro muestra las lecciones en las que se basa la clasificación, cada una con el resultado o el juicio experto del que procede.

  2. 2

    Una fuente errónea

    El martes, el equipo descubre que una de esas lecciones se basa en una medición tomada con un montaje defectuoso. La eliminan. Las recomendaciones que dependían de ella desaparecen con ella, y todas las demás lecciones se mantienen.

  3. 3

    Una corrección

    El miércoles, un experto corrige una segunda lección que solo era válida en condiciones más restringidas que las registradas. Solo cambia esa lección, y la siguiente clasificación del agente usa la versión corregida.

  4. 4

    La decisión, reconstruida

    El viernes, un compañero reconstruye la nueva clasificación a partir del registro, ve cada fuente y el historial de ambos cambios, y lo exporta para la revisión del proyecto.

La procedencia hace que las demás capacidades sean fiables.

Todo lo que MS Duplex aprende, planifica y decide se basa en un registro que tu equipo puede comprobar.

  • Aprendizaje continuo

    Cada lección que se aprende de forma continua llega con su fuente, así que el registro crece a medida que aprende la IA.

  • Aprender causa y efecto

    El vínculo entre una acción, sus condiciones y su resultado queda registrado, para que tu equipo pueda distinguir un hallazgo de una corazonada.

  • Reglas y aprobaciones

    Las aprobaciones están en el mismo historial que las lecciones, con quién aprobó qué.

  • Libertad para cambiar de modelo

    El historial y sus fuentes se quedan con tu equipo cuando cambias de modelo, de agente o de proveedor.

Lo que obtiene tu equipo.

Una IA en la que tu equipo puede rastrear, comprobar y corregir cada lección.

  • Una fuente para cada lección

    Cada elemento de experiencia muestra de dónde viene y en qué se basa.

  • Decisiones que otro investigador puede reproducir

    Una decisión puede reconstruirse a partir del registro, y puede comprobarla alguien que no estuvo presente.

  • Correcciones precisas

    Corrige una lección y solo cambia esa lección, sin efectos secundarios en el resto.

  • Eliminación limpia

    Elimina una lección y las recomendaciones que dependían de ella desaparecen con ella, mientras todo lo demás se mantiene.

  • Restauración cuando haga falta

    Una lección eliminada puede restaurarse si tu equipo decide que, al final, era correcta.

  • Un historial exportable

    Un historial completo y firmado de lo que se aprendió, se usó y se aprobó, listo para revisar y exportar.

Preguntas frecuentes.

¿Qué conserva cada lección como fuente?

El resultado, la medición o el juicio experto del que procede, y las condiciones en las que se confirmó. Cuando un agente se basa en una lección, tu equipo puede ver esa fuente y comprobarla.

¿Qué ocurre cuando eliminamos una lección?

La lección se elimina, y las recomendaciones que dependían de ella desaparecen con ella. Todo lo demás sigue como estaba, y la lección puede restaurarse si tu equipo cambia de opinión.

¿Podemos exportar el historial?

Sí. El historial firmado de lo que se aprendió, se usó y se aprobó está listo para revisar y exportar, para que otro investigador o un revisor pueda reconstruir una decisión a partir de él.

¿En qué se diferencia esto de corregir un modelo con ajuste fino?

El ajuste fino incorpora el conocimiento en los pesos de un modelo, así que cambiar una sola cosa implica otra ejecución de entrenamiento. MS Duplex guarda cada lección junto al modelo, dejando sus pesos tal como están, así que una lección puede corregirse o eliminarse por separado.

Haz que la próxima ejecución aproveche la anterior.

Tráenos la investigación en la que tu IA debería mejorar. Planificaremos un piloto con tus propios flujos de trabajo, con tus expertos como jueces.