Aller au contenu
Advancing Bits to Master Atoms

Des décisions qui connaissent leurs limites.
Tranche ce que les preuves permettent, et confie le reste.

MS Duplex prend les décisions répétitives directement là où une méthode apprise s’applique clairement, souvent sans aucun appel au modèle. Là où les preuves sont minces ou le cas est nouveau, il confie la décision à votre modèle ou la signale à un chercheur, avec la raison.

Planifier et décider · l’une des quatorze capacités de MS Duplex

Une porte de tri argent satiné sur un cadre en graphite, des sphères argentées tombant tout droit au centre tandis que des sphères bleu cobalt sont déviées vers une goulotte latérale.Une porte de tri argent satiné sur un cadre en graphite, des sphères argentées tombant tout droit au centre tandis que des sphères bleu cobalt sont déviées vers une goulotte latérale.

Votre équipe obtient

  • Des décisions courantes prises rapidement et de façon cohérente
  • Les arbitrages difficiles transmis à la bonne personne
  • Des coûts de modèle réduits sur le travail récurrent

Ce que des décisions qui connaissent leurs limites signifient pour votre équipe.

Des décisions qui connaissent leurs limites viennent d’une IA capable de distinguer un cas que votre équipe a déjà tranché d’un cas qu’elle n’a pas tranché. Là où une méthode confirmée par votre équipe s’applique clairement, MS Duplex prend la décision directement et de façon cohérente, souvent sans aucun appel au modèle.

Là où les preuves sont minces, ou si le cas ne ressemble à rien de ce que votre équipe a confirmé, MS Duplex transmet la décision. Elle va à votre modèle quand le cas demande un raisonnement, ou à un chercheur quand il demande un jugement d’expert, et la raison l’accompagne.

Chaque décision indique quelle voie elle a suivie et pourquoi : la méthode sur laquelle elle reposait et les preuves derrière cette méthode, ou ce qui manquait lorsqu’elle a été transmise. Votre équipe peut voir quelles décisions étaient courantes, lesquelles ont été transmises et qui a tranché chacune.

Pourquoi la recherche a besoin de décisions qui connaissent leurs limites.

Il est difficile de faire confiance à un agent qui répond à chaque question avec la même assurance. Les cas qui comptent le plus sont souvent ceux qu’il n’a jamais vus.

La plupart des décisions d’un flux de travail de recherche se répètent : quel réglage utiliser pour une analyse familière, quel candidat passe un criblage connu, quelle méthode convient à un cas standard. Renvoyer chacune d’elles à un modèle coûte des appels, du temps et de l’argent, et les réponses peuvent varier d’une exécution à l’autre même quand le cas n’a pas changé.

Les cas rares demandent le traitement inverse. Un cas en dehors de tout ce que votre équipe a confirmé demande le raisonnement d’un modèle ou le jugement d’un chercheur, et un agent qui le traite comme un cas courant peut envoyer une exécution coûteuse dans la mauvaise direction. La recherche a besoin d’une IA qui fait la différence et le dit.

  • La cohérence compte

    Le même cas, dans les mêmes conditions, devrait recevoir la même décision chaque fois qu’il se présente.

  • Les appels au modèle s’accumulent

    Un travail récurrent envoyé encore et encore à un modèle coûte un peu plus à chaque exécution.

  • Le temps des experts est rare

    Les chercheurs devraient consacrer leur temps aux arbitrages qui ont besoin d’eux, et voir pourquoi chacun leur a été transmis.

  • Les nouveaux cas coûtent cher

    Un nouveau cas traité comme courant peut dépenser du calcul et du temps de laboratoire pour une exécution qui n’avait aucune chance de fonctionner.

Un aiguillage ferroviaire miniature sur une base en graphite, deux rails argent satiné divergeant d’un seul, avec un petit levier bleu cobalt réglé sur une direction.Un aiguillage ferroviaire miniature sur une base en graphite, deux rails argent satiné divergeant d’un seul, avec un petit levier bleu cobalt réglé sur une direction.

Comment les décisions fonctionnent au quotidien dans votre équipe.

Votre agent demande une décision comme il le fait aujourd’hui. MS Duplex examine ce que votre équipe a confirmé et oriente la décision vers la bonne voie.

  1. 1

    Une décision se présente

    Votre agent doit choisir un réglage, classer un candidat, sélectionner une méthode ou approuver l’étape suivante.

  2. 2

    Les preuves sont examinées

    MS Duplex examine ce que votre équipe a confirmé pour des cas comme celui-ci, et vérifie si les conditions correspondent.

  3. 3

    Les cas courants sont tranchés

    Là où une méthode apprise s’applique clairement, MS Duplex prend la décision directement, souvent sans appel au modèle, et consigne la méthode utilisée.

  4. 4

    Les autres sont transmis

    Là où les preuves sont minces ou le cas est nouveau, la décision va à votre modèle ou est signalée à un chercheur, avec la raison.

Un exemple, dans tout domaine où un agent classe et décide.

L’agent d’une équipe passe au crible un flux régulier de candidats pour une évaluation récurrente. En une semaine, MS Duplex tranche les cas familiers et envoie les cas inhabituels là où ils doivent aller.

  1. 1

    Des cas familiers

    Lundi, la plupart des candidats du jour correspondent à une méthode de criblage que l’équipe a confirmée plus tôt. MS Duplex les classe directement, sans appel au modèle, et chaque classement renvoie à la méthode qui le fonde.

  2. 2

    Un cas aux preuves minces

    Mardi, un candidat se situe à la limite de ce que l’équipe a confirmé. MS Duplex le transmet au modèle avec une note indiquant quelles preuves manquent, et le modèle le traite par raisonnement.

  3. 3

    Un nouveau cas

    Mercredi, arrive un candidat qui ne ressemble à rien de ce que l’équipe a vu. MS Duplex le signale à un chercheur, qui décide et consigne pourquoi, et la décision est conservée avec sa raison.

  4. 4

    La fois suivante

    Vendredi, un candidat semblable à celui de mercredi arrive dans les mêmes conditions. La décision confirmée du chercheur s’applique désormais : MS Duplex le tranche donc directement et l’expert n’a pas à répondre à la même question.

Les décisions qui connaissent leurs limites fonctionnent avec le reste de la couche.

Ce que MS Duplex peut décider repose sur ce que les autres capacités apprennent et conservent.

  • Méthodes réutilisables

    Chaque méthode vérifiée élargit l’ensemble des cas que MS Duplex peut trancher directement, avec la méthode consignée.

  • Apprentissage continu

    La décision d’un chercheur sur un cas transmis est apprise aussitôt, si bien que le prochain cas semblable peut être tranché sans redemander.

  • Règles et approbations

    Vos règles passent avant toute décision, et les étapes que vous sélectionnez attendent toujours une personne, aussi courantes qu’elles paraissent.

  • Provenance, revue et désapprentissage

    Chaque décision conserve la méthode et les preuves sur lesquelles elle reposait, afin qu’un autre chercheur puisse la reconstituer à partir de l’historique.

Ce que votre équipe y gagne.

Des décisions courantes prises rapidement et de façon cohérente, des arbitrages difficiles entre de bonnes mains et des coûts de modèle réduits sur les travaux récurrents.

d’appels au modèle en moins qu’avec un modèle fine-tuné pour la tâche, sur des travaux récurrents, lors des tests contrôlés de MatterSpace
−89%
  • Des décisions courantes prises rapidement

    Là où une méthode apprise s’applique clairement, la décision est prise directement, souvent sans appel au modèle.

  • Des réponses cohérentes

    Le même cas dans les mêmes conditions reçoit la même décision, avec la même méthode derrière elle.

  • Les arbitrages difficiles orientés au bon endroit

    Les cas aux preuves minces vont à votre modèle, et les cas qui ne ressemblent à rien de connu sont signalés à un chercheur.

  • Une raison à chaque transmission

    Chaque décision transmise indique pourquoi, afin que le modèle ou la personne qui la prend sache ce qui manque.

  • Des coûts de modèle réduits

    Les travaux récurrents demandent beaucoup moins d’appels au modèle, si bien que les dépenses de modèle vont aux cas qui demandent un raisonnement.

  • Des décisions consignées

    Chaque décision montre la méthode et les preuves sur lesquelles elle reposait, ou la raison pour laquelle elle a été transmise.

Questions fréquentes.

Quand MS Duplex décide-t-il seul ?

Là où une méthode confirmée par votre équipe s’applique clairement au cas, dans des conditions correspondantes. Ces décisions sont souvent prises sans aucun appel au modèle, et chacune renvoie à la méthode et aux preuves qui la fondent.

Que se passe-t-il quand les preuves sont minces ?

MS Duplex confie la décision à votre modèle, ou la signale à un chercheur lorsque le cas ne ressemble à rien de connu. La raison l’accompagne, afin que celui qui prend la décision sache ce qui manque.

Cela réduit-il nos coûts de modèle ?

Sur les travaux récurrents, oui. Les décisions tranchées par une méthode apprise ne nécessitent aucun appel au modèle, et lors des tests contrôlés de MatterSpace, MS Duplex a fait beaucoup moins d’appels au modèle qu’un modèle fine-tuné pour la tâche. Un pilote mesure ce qu’il fait sur votre propre travail.

Pouvons-nous corriger une décision prise par MS Duplex ?

Oui. Chaque décision indique l’enseignement sur lequel elle reposait, et votre équipe peut corriger ou supprimer cet enseignement isolément. Les recommandations qui en dépendaient changent avec lui, et tout le reste demeure tel quel.

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.