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

MS Duplex8 min de lecture

Ce que l’apprentissage continu signifie concrètement pour une équipe de recherche.

Un guide pour les responsables de recherche : ce qui change quand l’IA utilisée par votre équipe continue d’apprendre des résultats confirmés, ce qu’il faut observer à mesure que le travail avance, comment les faits modifiés sont traités et comment en juger sur votre propre travail.

Une rampe en spirale argent satiné s’élevant d’une base ronde en graphite à gradins, ses spires supérieures en bleu cobalt.Une rampe en spirale argent satiné s’élevant d’une base ronde en graphite à gradins, ses spires supérieures en bleu cobalt.

La plupart des responsables de recherche l’ont déjà constaté. Un expert corrige l’IA de l’équipe, la session se termine, et la semaine suivante la même erreur réapparaît dans la session d’un collègue. Le modèle a fait ce que font les modèles : ses connaissances ont été figées à la fin de son entraînement, et rien de ce que l’équipe lui a dit depuis ne les a modifiées.

L’apprentissage continu désigne une IA qui continue d’apprendre après son déploiement. L’expression est employée de façon approximative. Ce guide expose ce qu’elle signifie concrètement pour une équipe qui utilise MS Duplex, ce qu’il faut observer à mesure que le travail avance, comment les faits modifiés sont traités et comment juger si cela fonctionne.

Ce que l’apprentissage continu signifie pour votre équipe

Dans MS Duplex, l’apprentissage continu signifie que l’IA que vos scientifiques et ingénieurs utilisent déjà apprend du travail qu’ils font. Quand un test réussit, qu’une mesure revient ou qu’un expert approuve une conclusion, la leçon est conservée et s’applique dès la requête suivante. Quand un expert corrige l’agent et explique pourquoi, la correction est conservée avec sa raison.

Quatre propriétés rendent cela utile à une équipe de recherche :

  • Il apprend des résultats confirmés. Chaque leçon provient d’un résultat, d’une mesure ou du jugement d’un expert, et y renvoie.
  • Il conserve les conditions avec les résultats. Une leçon est appliquée là où les conditions dans lesquelles elle a été confirmée correspondent, et signalée là où elles diffèrent.
  • Il ajoute sans effacer. Une nouvelle leçon laisse intact ce qui a été appris auparavant, si bien qu’une limite confirmée au début d’un projet compte encore vers sa fin.
  • Il laisse le modèle intact. L’apprentissage se trouve à côté du modèle, dont les poids restent tels quels, si bien qu’il fonctionne avec Claude, Codex, Cursor, tout agent qui parle MCP ou vos propres agents, et qu’il vous suit quand vous changez de modèle.

Votre équipe garde la main sur ce qui est appris. MS Duplex apprend des résultats et des corrections que votre équipe choisit de capturer, vos scientifiques et ingénieurs décident de ce qui est adopté, et chaque leçon peut être examinée, corrigée ou supprimée individuellement.

Comment une leçon traverse le travail

La boucle est la même dans tous les domaines et s’intègre au travail que votre équipe fait déjà. Prenons l’agent d’une équipe qui recommande les réglages de la prochaine exécution d’une analyse récurrente. Voici une leçon du début à la fin.

  1. L’agent proposeIl recommande les réglages de la prochaine exécution, avec le modèle et les outils que l’équipe utilise déjà, en s’appuyant sur ce que l’équipe a confirmé jusqu’ici.
  2. Un résultat ou une personne confirmeL’exécution donne le résultat prévu, ou un relecteur rejette la recommandation et consigne pourquoi : les réglages ignorent une limite de la méthode que l’équipe connaît bien.
  3. MS Duplex conserve la leçonLa confirmation ou la correction est conservée avec ses preuves et les conditions dans lesquelles elle est valable, prête dès la requête suivante.
  4. Le prochain cas correspondant part de làDans n’importe quelle session, sur tout agent autorisé par l’équipe et avec n’importe quel modèle, un cas présentant les mêmes conditions part de la leçon. Là où les conditions diffèrent, MS Duplex le signale.
  5. L’historique s’enrichitLa leçon rejoint un historique unique avec sa source, si bien que chacun peut voir pourquoi l’agent recommande ce qu’il recommande aujourd’hui, et ce qui a changé depuis le mois dernier.

À aucun moment personne ne prépare de jeu de données ni ne planifie d’entraînement. Ce que l’équipe ajoute à sa journée, c’est une décision sur les résultats à capturer et, pour une correction, une phrase expliquant pourquoi elle a été faite.

Quatre petits modules sur une base ronde en graphite, un bloc en graphite, une jauge argentée, un plateau argenté et une tablette bleu cobalt, reliés en anneau par une seule piste fine bleu cobalt.Quatre petits modules sur une base ronde en graphite, un bloc en graphite, une jauge argentée, un plateau argenté et une tablette bleu cobalt, reliés en anneau par une seule piste fine bleu cobalt.
Quatre petits modules sur un socle rond en graphite, un bloc, une jauge, un plateau et une tablette bleu cobalt, reliés en anneau par une seule piste fine : l’agent propose, un résultat confirme, la leçon est conservée et le cas suivant part de là, tour après tour.

Ce qu’il faut observer à mesure que le travail avance

L’apprentissage continu se manifeste dans le travail lui-même, petit à petit. Un responsable qui sait quoi observer peut le voir à chaque étape. Voici les changements à surveiller à mesure que les leçons s’accumulent.

Les corrections cessent de se répéter

Le premier signe est le plus simple. Un expert corrige l’agent une fois, et la même correction ne devrait pas être nécessaire à la session suivante, que ce soit l’expert ou un collègue qui soit au clavier. Demandez à vos experts s’ils font encore des corrections qu’ils ont déjà faites. Si c’est le cas, vérifiez si ces corrections ont été capturées.

Ce qui a fonctionné devient la première chose essayée

À mesure que les résultats confirmés s’accumulent, les approches qui ont fonctionné dans des conditions données deviennent le premier choix de l’agent pour les cas présentant les mêmes conditions, et les étapes qui ont échoué cessent d’être proposées. Moins d’exécutions servent à redécouvrir ce que l’équipe savait déjà, et la première suggestion de l’agent sur un cas familier est plus souvent celle qu’un expert aurait faite.

Les leçons plus anciennes restent en usage

Une équipe qui travaille avec son IA depuis un certain temps détient des leçons d’âges très divers. Vérifiez qu’une leçon ancienne s’applique toujours là où ses conditions correspondent, après l’arrivée de nombreuses leçons plus récentes. Comme une nouvelle leçon laisse les autres telles qu’elles étaient, la limite de fonctionnement confirmée par un expert au début d’un projet continue d’orienter les recommandations par la suite.

Les nouvelles sessions et les nouveaux venus partent informés

Un collègue qui ouvre une nouvelle session, sur un autre assistant ou avec un autre modèle, part des leçons que l’équipe a confirmées, chacune avec sa source. La qualité de l’aide de l’agent cesse de dépendre de la personne qui se trouvait dans la dernière session.

Comment les faits modifiés sont traités

Les connaissances de recherche évoluent. Un nouvel étalonnage remplace une ancienne valeur de référence, une nouvelle mesure supplante une estimation, un expert révise une limite après l’arrivée de nouvelles données. Une IA qui continue de citer l’ancienne valeur cause des dégâts discrets, car le chiffre arrive avec l’assurance de quelque chose d’appris.

Dans MS Duplex, quand une valeur confirmée plus récente remplace une plus ancienne, la plus récente s’applique dès la requête suivante. L’ancienne valeur reste dans l’historique, avec la date et la raison du changement, si bien qu’un relecteur peut toujours voir sur quoi s’appuyait une décision antérieure au moment où elle a été prise.

  • 0 sur 8 640réponses portant sur un fait modifié ont donné la valeur obsolète, lors des tests contrôlés de MatterSpace

Ce chiffre provient des tests contrôlés de MS Duplex menés par MatterSpace. Un pilote mesure ce qu’il fait sur votre propre travail, et les faits modifiés méritent d’y être testés délibérément : choisissez une valeur que votre équipe a mise à jour, puis vérifiez laquelle l’agent utilise ensuite et si l’historique montre le changement.

Un fait modifié est différent d’une leçon erronée, et MS Duplex traite chacun à sa manière. Si une leçon s’avère reposer sur une mesure défectueuse, votre équipe la supprime, et les recommandations qui en dépendaient disparaissent avec elle, tandis que tout le reste demeure. Si une leçon n’était valable que dans des conditions plus étroites que celles consignées, un expert la corrige et seule cette leçon change. Une leçon supprimée peut être restaurée si l’équipe change d’avis.

Une carotte cylindrique verticale faite de strates de graphite et d’argent satiné sur une base en graphite, un fin fil bleu cobalt traversant chaque couche.Une carotte cylindrique verticale faite de strates de graphite et d’argent satiné sur une base en graphite, un fin fil bleu cobalt traversant chaque couche.
Un noyau cylindrique vertical fait de strates de graphite et d’argent satiné, traversé dans chaque couche par un fin fil bleu cobalt : chaque mise à jour d’un fait est conservée dans un historique unique, si bien que les décisions antérieures peuvent toujours être rattachées à ce sur quoi elles s’appuyaient.

Comment en juger

Jugez l’apprentissage continu sur les décisions que votre équipe prend encore et encore, là où une exécution erronée ou inutile coûte cher. C’est là que l’apprentissage a le plus d’occasions de se manifester, et là où son absence coûte le plus.

MS Duplex est évalué lors d’un pilote sur votre propre travail. Vos experts conviennent de la mesure avant tout lancement : le coût de chaque résultat accepté et reproductible, et le temps d’expert qu’il demande. Le même modèle, les mêmes outils, les mêmes données et le même budget tournent avec et sans MS Duplex, et vos experts notent les résultats sans savoir quelle configuration les a produits.

À côté de cette mesure, quelques questions indiquent à un responsable si l’apprentissage est de ceux sur lesquels une équipe de recherche peut compter :

  • Pouvons-nous voir pourquoi l’agent se comporte différemment aujourd’hui ? Chaque changement de comportement devrait renvoyer au résultat qui l’a justifié.
  • Chaque leçon indique-t-elle sa source et ses conditions ? Une recommandation que votre équipe ne peut pas retracer est une recommandation qu’elle doit accepter de confiance.
  • Quand nous mettons à jour un fait, l’agent passe-t-il à la nouvelle valeur, en conservant l’historique ?
  • Pouvons-nous corriger ou supprimer une leçon en laissant le reste tel quel ?
  • Nos experts font-ils encore deux fois la même correction ?
  • L’expérience se transmet-elle à une nouvelle session, à l’agent d’un collègue et à un autre modèle ?

Questions fréquentes

Dans quel délai une leçon s’applique-t-elle ?

Dès la requête suivante. Il n’y a pas de cycle d’entraînement à attendre ni de nouvelle version du modèle à valider après chaque leçon.

Qui décide de ce que l’IA apprend ?

Votre équipe. MS Duplex apprend des résultats et des corrections que votre équipe choisit de capturer, et vos scientifiques et ingénieurs décident de ce qui est adopté. Vos règles décident si une leçon reste personnelle, est partagée avec une équipe ou s’applique à toute l’organisation.

Les leçons plus anciennes s’effacent-elles à mesure que de nouvelles arrivent ?

Chaque nouvelle leçon laisse les précédentes telles qu’elles étaient. Une leçon plus ancienne cesse de s’appliquer quand un résultat confirmé plus récent la remplace ou quand votre équipe la corrige ou la supprime, et l’historique indique lequel de ces cas s’est produit.

L’apprentissage continu fonctionne-t-il dans notre domaine ?

MS Duplex apprend dans tout domaine où une équipe mène des expériences, des simulations, des analyses ou des revues de conception avec l’IA. La boucle travail, confirmation et apprentissage est la même partout, et l’expérience de chaque équipe lui reste propre.

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.