Aller au contenu
Advancing Bits to Master Atoms

Apprentissage continu.
Votre IA apprend de chaque résultat confirmé.

Les modèles actuels cessent d’apprendre le jour où leur entraînement se termine. MS Duplex fait continuer d’apprendre l’IA qu’utilisent vos scientifiques et ingénieurs à mesure que le travail avance.

Apprendre et s’améliorer · l’une des quatorze capacités de MS Duplex

Une boucle verticale de ruban argent satiné sur un socle en graphite, avec une rangée croissante de petites perles bleu cobalt le long de son bord intérieur.Une boucle verticale de ruban argent satiné sur un socle en graphite, avec une rangée croissante de petites perles bleu cobalt le long de son bord intérieur.

Votre équipe obtient

  • Votre IA suit le rythme de votre recherche, chaque jour où elle tourne
  • Aucun entraînement à lancer, aucun jeu de données à préparer ni aucun accélérateur à réserver
  • Les leçons antérieures restent précises à mesure que de nouvelles arrivent

Ce que l’apprentissage continu signifie pour votre équipe.

L’apprentissage continu signifie que votre IA continue d’apprendre après son déploiement, à partir du travail de votre équipe. Chaque résultat confirmé, chaque correction d’expert et chaque conclusion approuvée devient une expérience que la requête suivante peut utiliser.

Un modèle seul ne peut pas le faire. Ses connaissances sont figées à la fin de son entraînement, et lui apprendre quelque chose de nouveau implique de préparer un jeu de données et de lancer un nouveau cycle d’entraînement. MS Duplex apprend plutôt à côté du modèle, en laissant ses poids tels quels, si bien qu’un enseignement confirmé par votre équipe ce matin s’applique dès cet après-midi.

Apprendre davantage ne signifie pas oublier. Un nouvel enseignement s’ajoute à ce que MS Duplex détient déjà et laisse le reste tel quel, si bien que l’IA qui a appris votre méthode la plus récente connaît toujours les conditions que votre équipe a confirmées il y a des mois.

Pourquoi la recherche a besoin d’une IA qui continue d’apprendre.

La science avance chaque jour. Un modèle figé à la fin de son entraînement prend un peu plus de retard sur votre travail à chaque semaine d’utilisation.

Dans une équipe de recherche, les connaissances les plus précieuses sont les plus récentes : la mesure revenue hier, la correction qu’un expert a apportée ce matin, la limite de fonctionnement que quelqu’un a confirmée la semaine dernière. Rien de tout cela ne figure dans les données d’entraînement d’un modèle, car cela n’existait pas lorsque le modèle a été entraîné.

Sans apprentissage continu, ces connaissances restent dans la tête des gens et dans des notes que l’IA ne lit jamais correctement. Les experts répètent la même correction, les agents proposent à nouveau la même étape ratée, et des exécutions qui coûtent du calcul et du temps de laboratoire bien réels servent à redécouvrir ce que l’équipe savait déjà.

  • Des connaissances vieilles de quelques jours

    Les résultats qui comptent le plus pour votre prochaine décision sont ceux que votre propre équipe a produits le plus récemment.

  • Le temps des experts est rare

    Une correction apportée une fois ne devrait pas avoir à être refaite par le même expert lors de la session suivante.

  • Les exécutions coûtent cher

    Chaque échec répété coûte du calcul, des matériaux ou du temps d’instrument qu’une IA qui apprend aurait épargnés.

  • Les faits changent

    Une mesure plus récente remplace une plus ancienne. Votre IA doit suivre ce changement, et non continuer à citer l’ancienne valeur.

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.

Comment l’apprentissage continu fonctionne au quotidien dans votre équipe.

Votre équipe continue de travailler comme aujourd’hui. MS Duplex apprend des résultats que vous choisissez de capturer et les ramène là où ils s’appliquent.

  1. 1

    Votre agent travaille

    Il planifie, lance une simulation, analyse des données ou propose l’étape suivante, avec le modèle et les outils que votre équipe utilise déjà.

  2. 2

    Le résultat est confirmé

    Un test réussit, une mesure revient ou un expert approuve la conclusion, ou la corrige en expliquant pourquoi.

  3. 3

    L’enseignement est conservé

    MS Duplex consigne ce qui a été appris avec ses preuves et les conditions dans lesquelles il est valable, prêt dès la requête suivante.

  4. 4

    Il s’applique là où il convient

    Le prochain cas correspondant, dans n’importe quelle session, avec n’importe quel agent ou modèle, part de cet enseignement. Là où les conditions diffèrent, MS Duplex l’indique.

Un exemple, dans tout domaine où un agent aide à décider.

L’agent d’une équipe recommande des réglages pour une analyse récurrente. En une semaine, il apprend trois choses que personne n’a eu à noter deux fois.

  1. 1

    Une correction

    Lundi, un expert rejette une recommandation parce qu’elle ignore une limite connue de la méthode, et consigne la raison. Dès la requête suivante, l’agent vérifie d’abord cette limite.

  2. 2

    Une confirmation

    Mardi, un résultat que l’agent avait prédit est confirmé par une mesure. L’approche qui l’a produit devient le premier choix de l’agent pour les cas présentant les mêmes conditions.

  3. 3

    Un fait modifié

    Jeudi, un nouvel étalonnage remplace une ancienne valeur de référence. Chaque réponse ultérieure utilise la nouvelle valeur, et l’historique indique quand et pourquoi elle a changé.

  4. 4

    La session suivante

    Vendredi, un collègue ouvre une nouvelle session sur un autre modèle. Les trois enseignements sont déjà là, chacun avec sa source.

L’apprentissage continu renforce les autres capacités.

Ce que MS Duplex apprend en continu est ce sur quoi s’appuie le reste de la couche.

  • Auto-amélioration

    Les enseignements tirés en continu se traduisent par un meilleur comportement : ce qui a fonctionné est essayé en premier, ce qui a échoué cesse d’être proposé.

  • Méthodes réutilisables

    Une procédure confirmée devient une méthode que vos agents réutilisent et adaptent, dès l’instant où elle est confirmée.

  • Mémoire de recherche d’une session à l’autre

    Chaque nouvelle session part de tout ce qui a été appris jusqu’ici, et non de ce que le modèle savait à la fin de son entraînement.

  • Provenance, revue et désapprentissage

    Chaque enseignement conserve sa source, si bien que chacun peut être examiné, corrigé ou supprimé sans toucher aux autres.

Ce que votre équipe y gagne.

Une IA qui suit le rythme de votre recherche, avec chaque enseignement visible et sous votre contrôle.

réponses portant sur un fait modifié ont donné la valeur obsolète, lors des tests contrôlés de MatterSpace
0 sur 8 640
de réponses obsolètes après un changement des faits : MS Duplex aux côtés d’une récupération standard, lors des mêmes tests
0 % contre 57 %
  • Un apprentissage dès la requête suivante

    Un résultat confirmé ou une correction s’applique dès la requête suivante, sans attendre de cycle d’entraînement.

  • Aucun cycle d’entraînement

    Aucun jeu de données à préparer, aucun accélérateur à réserver et aucune nouvelle version de modèle à valider après chaque enseignement.

  • Rien n’est oublié

    Un nouvel enseignement laisse intact ce qui a été appris auparavant, si bien que les résultats anciens restent aussi utiles que les nouveaux.

  • Des faits à jour

    Quand une valeur change, la valeur confirmée la plus récente s’applique et l’historique du changement est conservé.

  • Vous choisissez ce qui est appris

    Votre équipe décide quels résultats et quelles corrections sont capturés, et peut examiner chaque enseignement.

  • N’importe quel modèle

    L’apprentissage se fait à côté du modèle : il fonctionne donc avec un modèle généraliste, un modèle fine-tuné ou la prochaine version.

Questions fréquentes.

L’apprentissage continu modifie-t-il mon modèle ?

Non. Les poids du modèle restent tels quels. MS Duplex apprend à côté du modèle : c’est pourquoi un enseignement est prêt dès la requête suivante, et pourquoi l’expérience demeure lorsque vous changez de modèle.

De quoi MS Duplex apprend-il ?

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

Les nouveaux enseignements lui feront-ils oublier les anciens ?

Un nouvel enseignement s’ajoute à ce que MS Duplex détient déjà et laisse le reste tel quel. Lorsqu’un résultat confirmé plus récent en remplace un plus ancien, c’est le plus récent qui s’applique et l’historique est conservé.

En quoi est-ce différent du fine-tuning ?

Le fine-tuning modifie les poids d’un modèle par un cycle d’entraînement sur un jeu de données préparé. L’apprentissage continu dans MS Duplex prend un résultat confirmé à la fois, l’applique dès la requête suivante et garde chaque enseignement modifiable. Lors des tests contrôlés de MatterSpace, MS Duplex a devancé un modèle fine-tuné pour la tâche sur des travaux récurrents.

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.