Aller au contenu
Advancing Bits to Master Atoms
← Tous les articles

MS Duplex8 min de lecture

Présentation de MS Duplex : des agents auto-améliorants pour les équipes scientifiques et d’ingénierie.

MS Duplex se branche sur l’IA que vos scientifiques et ingénieurs utilisent déjà et la fait apprendre des résultats confirmés, des corrections d’experts et des décisions. Ce qu’il est, à qui il s’adresse et comment commencer.

Un module bleu cobalt en forme de bloc, doté de rangées de ports ronds, posé sur une base rectangulaire argent satiné.Un module bleu cobalt en forme de bloc, doté de rangées de ports ronds, posé sur une base rectangulaire argent satiné.

Une équipe de recherche apprend quelque chose à son IA chaque semaine. Un expert explique pourquoi une méthode échoue au-delà d’une limite connue. Une exécution confirme quels réglages ont fonctionné. Un nouvel étalonnage remplace une ancienne valeur de référence. Dans la plupart des configurations, rien de tout cela ne reste. La session suivante repart de ce que le modèle savait le jour où son entraînement s’est terminé, et l’équipe paie de nouveau pour le même enseignement.

MatterSpace présente aujourd’hui MS Duplex : des agents auto-améliorants pour les équipes scientifiques et d’ingénierie. MS Duplex se branche sur l’IA que vos scientifiques et ingénieurs utilisent déjà et la fait apprendre pendant que vous travaillez. Chaque résultat confirmé, chaque correction d’expert et chaque décision devient une expérience que vos agents réutilisent, si bien que chaque exécution commence là où la précédente s’est arrêtée.

Ce qu’est MS Duplex, et à qui il s’adresse

MS Duplex est la couche auto-améliorante de l’IA scientifique d’une équipe. Il se place à côté des modèles et des agents que vous utilisez déjà, dont les poids restent tels quels. Quand un test réussit, qu’une mesure revient ou qu’un expert approuve une conclusion, MS Duplex en tire un enseignement et l’applique dès la requête suivante, partout où les conditions s’y prêtent.

C’est aussi là que se construit le travail d’IA d’une équipe. Les résultats confirmés avec leurs conditions, les corrections avec leurs raisons, les décisions avec les preuves sur lesquelles elles reposaient, les méthodes vérifiées, les plans et la progression des longues campagnes, et quels outils ont fonctionné pour quel problème : tout cela s’accumule dans un espace de stockage qui appartient à votre organisation. Changez de modèle, d’agent ou de fournisseur, et l’équipe reprend là où elle s’était arrêtée.

Quatre dalles carrées maintenues alignées par de fines broches argentées : une base en graphite, une dalle argentée portant une grille de sphères, une dalle bleu cobalt et une dalle supérieure argentée finement quadrillée.Quatre dalles carrées maintenues alignées par de fines broches argentées : une base en graphite, une dalle argentée portant une grille de sphères, une dalle bleu cobalt et une dalle supérieure argentée finement quadrillée.
Quatre dalles carrées maintenues alignées par de fines tiges argentées, d’une base en graphite à un sommet argenté finement quadrillé : les couches de la pile d’IA d’une équipe de recherche, MS Duplex étant celle qui apprend des autres.

MS Duplex est conçu et développé pour les scientifiques, les ingénieurs et les chercheurs, et il fonctionne dans tous les domaines. Partout où une équipe mène des expériences, des simulations, des analyses ou des revues de conception avec l’IA, la boucle est la même. L’agent travaille au moyen de vos outils. Un test, une mesure ou un expert confirme le résultat, ou le corrige en expliquant pourquoi. MS Duplex conserve le résultat avec ses preuves. Le cas correspondant suivant, dans n’importe quelle session, n’importe quel agent ou n’importe quel modèle, part de là.

Il est conçu pour les personnes qui portent ce travail :

  • Les responsables de recherche et d’ingénierie qui veulent que ce que l’équipe apprend reste à l’équipe, quel que soit le modèle qu’elle utilise ensuite.
  • Les responsables de la recherche computationnelle qui veulent moins d’exécutions répétées et des décisions qu’un autre chercheur peut reconstituer à partir du relevé.
  • Les responsables de laboratoire et de plateforme qui ont besoin que les règles de l’équipe soient appliquées, et les bonnes approbations données, avant le début d’une étape coûteuse.
  • Les scientifiques et ingénieurs qui préféreraient n’expliquer qu’une fois un projet, et une correction, à leur IA.

Quatorze capacités en trois groupes

Dans MS Duplex, l’apprentissage continu, l’auto-amélioration, la planification à long horizon et la mémoire de recherche fonctionnent comme une seule couche, organisée autour des objectifs de votre équipe. Il y a quatorze capacités en trois groupes, et chacune renforce les autres.

Apprendre et s’améliorer

  • Apprentissage continu : apprend de chaque résultat confirmé dès la requête suivante, et préserve intact ce qu’il a appris auparavant.
  • Auto-amélioration : ce qui a fonctionné devient la première chose que vos agents essaient, et ce qui a échoué cesse d’être proposé.
  • Méthodes réutilisables : une procédure vérifiée est appliquée directement au cas similaire suivant, et adaptée puis proposée pour vérification sur les cas apparentés.
  • Apprendre les relations de cause à effet : conserve quelle action a conduit à quel résultat, dans quelles conditions, et indique quand un lien n’est pas encore établi.
  • Apprentissage des outils : apprend quel outil, quel réglage ou quelle méthode a bien fonctionné sur quel type de problème.

Planifier et décider

  • Planification à long horizon : les campagnes qui durent des jours ou des semaines restent une seule tâche, avec leur plan, leurs points de reprise et leur progression.
  • Simuler avant d’agir : projette les options avant que du calcul ou du temps de laboratoire ne soit dépensé, et écarte tôt celles qui ne peuvent pas atteindre l’objectif.
  • Résoudre de nouveaux problèmes : construit une approche pour un nouveau cas à partir de ce que l’équipe a confirmé, et la vérifie avant que quiconque ne s’y fie.
  • Des décisions qui connaissent leurs limites : tranche ce que les preuves soutiennent et confie le reste à votre modèle ou à un chercheur, avec la raison.

Mémoriser et encadrer

  • Mémoire de recherche : chaque session part de l’état actuel du travail.
  • Liberté de changer de modèle : un nouveau modèle démarre avec tout ce que votre équipe a construit.
  • Couches personnelle, d’équipe et d’organisation : chacune a sa propre expérience, et vos règles décident de ce qui passe de l’une à l’autre.
  • Règles et approbations : vos règles passent en premier, et les étapes que vous choisissez attendent une personne.
  • Provenance, revue et désapprentissage : chaque enseignement garde sa source, et chacun peut être corrigé ou supprimé isolément.

Les groupes s’appuient les uns sur les autres. Un résultat confirmé le lundi devient une méthode. La méthode entre dans le plan d’une longue campagne. La mémoire de recherche reporte ce plan dans la session suivante, les règles décident quelles étapes attendent une personne, et la provenance montre d’où vient chaque élément.

  • +16 ptsplus précis qu’un modèle fine-tuné pour la tâche, sur un travail récurrent, sans aucun entraînement
  • −89%d’appels au modèle en moins qu’avec le modèle fine-tuné, sur ce même travail
  • 0 sur 8 640réponses portant sur un fait modifié ont donné la valeur périmée

Les trois chiffres proviennent des tests contrôlés de MatterSpace. Les deux premiers comparent MS Duplex à un modèle fine-tuné pour la tâche, sur le même travail récurrent. Le troisième compte les réponses données après la modification d’un fait, où l’IA devait utiliser la valeur la plus récente. Le fine-tuning garde sa place pour modifier globalement ce que sait un modèle, et MS Duplex fonctionne aux côtés d’un modèle fine-tuné comme d’un modèle généraliste.

Il se branche sur l’IA que votre équipe utilise déjà

Les scientifiques et ingénieurs gardent l’IA qu’ils connaissent. MS Duplex se connecte à Claude, Codex, Cursor et aux autres agents qui parlent MCP, le standard ouvert qui permet de donner des outils aux agents IA. Les équipes qui construisent leurs propres agents et pipelines de recherche ajoutent MS Duplex via son API et son Python SDK, avec le même apprentissage derrière chacun d’eux.

Il existe deux façons de se connecter. Avec une connexion standard, votre agent appelle MS Duplex pour récupérer l’expérience pertinente, suivre le plan et consigner les résultats que vous autorisez. C’est la façon la plus rapide de commencer. Dans les environnements pris en charge avec des hooks, une connexion encadrée fait passer les étapes que vous sélectionnez par MS Duplex, si bien que vos règles s’appliquent avant le début d’une simulation ou d’une exécution coûteuse.

Cinq modules enfichables en graphite, tous différents, disposés en arc, dont chacun envoie un fin câble bleu cobalt vers un même pivot central argent satiné.Cinq modules enfichables en graphite, tous différents, disposés en arc, dont chacun envoie un fin câble bleu cobalt vers un même pivot central argent satiné.
Cinq modules de connexion en graphite, tous différents, disposés en arc, chacun envoyant un fin câble bleu cobalt vers un même concentrateur argent satiné : de nombreux assistants et agents, une seule couche d’apprentissage derrière eux.

Vos modèles, vos outils et vos données restent les vôtres. Les agents continuent d’accéder aux simulateurs, au code d’analyse, aux bases de données et aux instruments via leurs propres connexions. MS Duplex apprend des résultats et des corrections d’experts que votre équipe choisit de capturer, et vos règles décident de ce qui est partagé entre un chercheur, une équipe et l’organisation. Rien n’est partagé avec une autre entreprise.

Supposons qu’un scientifique ou un ingénieur corrige le classement de candidats établi par un agent, parce que la méthode utilisée échoue au-delà d’une limite de fonctionnement connue, et qu’il consigne pourquoi. Deux jours plus tard, l’agent d’un collègue, sur un autre modèle, rencontre un cas apparenté. MS Duplex fait remonter la correction avec sa source et montre quelle hypothèse a changé. Personne n’a eu à ajouter une ligne dans un fichier de notes ni à expliquer la limite une seconde fois.

Une couche d’apprentissage pour chaque domaine

MS Duplex est la couche d’apprentissage de MatterSpace pour tous les types de travaux scientifiques et d’ingénierie. Ce dont il apprend est commun à la recherche dans tous les domaines : les méthodes, les décisions, les conditions dans lesquelles un résultat est valable et les issues qui ont suivi. L’expérience de chaque équipe reste la sienne, dans ses propres couches et sous ses propres règles.

Comment commencer : un pilote sur votre propre travail

Le test équitable d’une IA qui prétend apprendre, c’est le travail que votre équipe refait encore et encore. Un pilote s’exécute sur vos propres flux de travail, aux côtés de votre configuration actuelle, et vos experts en sont les juges.

  1. Choisir le travailChoisissez des flux de travail de recherche récurrents où les décisions se répètent et où une exécution erronée ou inutile coûte cher : recommander les réglages de la prochaine exécution, classer des candidats, examiner des analyses.
  2. Convenir de la mesureFixez-la avec vos experts avant tout lancement : le coût de chaque résultat accepté et reproductible, et le temps d’expert qu’il demande.
  3. L’exécuter côte à côteLe même modèle, les mêmes outils, les mêmes données et le même budget, avec et sans MS Duplex, et avec une connexion encadrée lorsque c’est pertinent.
  4. Juger à l’aveugleVos experts notent les résultats sans savoir quelle configuration les a produits.

L’endroit où MS Duplex s’exécute et la manière dont vos données sont traitées sont convenus avec vos responsables de la sécurité et des données dès la première conversation. L’expérience qu’un pilote construit appartient à votre organisation, chaque enseignement et sa source étant consignés pour que votre équipe puisse les examiner, les corriger ou les supprimer.

Questions fréquentes

MS Duplex modifie-t-il notre modèle ?

Il laisse les poids du modèle tels quels. MS Duplex apprend à côté du modèle : c’est pourquoi un enseignement est prêt dès la requête suivante, pourquoi un enseignement peut être corrigé isolément et pourquoi l’expérience suit quand vous changez de modèle.

Quelles sont ses sources d’apprentissage ?

À partir des résultats et des corrections d’experts que votre équipe choisit de capturer : un test réussi, une mesure, une conclusion approuvée, une correction avec sa raison. Chaque enseignement conserve sa source et les conditions dans lesquelles il est valable.

MS Duplex est-il lié à un seul domaine scientifique ?

Non. Il fonctionne dans tous les domaines où une équipe fait de la recherche ou de l’ingénierie avec l’IA.

À qui appartient ce qu’il apprend ?

À votre organisation. L’expérience réside dans un espace de stockage qui appartient à votre organisation, régi par vos règles, et n’est partagée avec aucune autre entreprise. Votre équipe peut inspecter n’importe quel enseignement, le corriger, le supprimer ou le restaurer.

Construit par MatterSpace

MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.

Continuer la lecture

Que chaque exécution profite de la précédente.

Apportez-nous la recherche dans laquelle votre IA devrait progresser. Nous planifierons un pilote sur vos propres flux de travail, avec vos experts comme juges.