MS DuplexProvenance, revue et désapprentissageTout afficherAfficher moins
Provenance, revue et désapprentissage.
Chaque leçon garde sa source et peut être corrigée ou retirée.
Dans MS Duplex, chaque élément d’expérience indique sa source et ce sur quoi il repose, dans un historique unique que votre équipe peut examiner et exporter.
Mémoriser et encadrer · l’une des quatorze capacités de MS Duplex


Votre équipe obtient
- Des décisions qu’un autre chercheur peut reproduire
- Des erreurs corrigées avec précision, sans effets de bord
- Un historique complet et exportable du travail
Ce que la provenance, la revue et le désapprentissage signifient pour votre équipe.
La provenance signifie que chaque élément d’expérience dans MS Duplex indique d’où il vient : le résultat, la mesure ou le jugement d’expert qui le fonde, et les conditions dans lesquelles il a été confirmé. Quand un agent recommande une étape, votre équipe peut voir sur quoi repose cette recommandation.
La revue signifie que l’ensemble des relevés figure dans un historique unique que votre équipe peut lire et exporter. Il couvre ce qui a été appris, ce qui a été utilisé et ce qui a été approuvé, et il est signé. Un autre chercheur peut y reconstituer une décision et la vérifier par lui-même.
Le désapprentissage signifie qu’une erreur peut être corrigée avec précision. Corrigez une leçon et seule cette leçon change. Supprimez-la et les recommandations qui en dépendaient disparaissent avec elle, tandis que tout le reste demeure inchangé. Une leçon supprimée peut être restaurée si votre équipe change d’avis.
Pourquoi la recherche a besoin d’une IA qui montre ses sources.
Une conclusion ne vaut que par les preuves qui la fondent. Une IA qui ne peut pas montrer ses sources demande à votre équipe de la croire sur parole.
En recherche, chaque résultat doit être traçable. Un relecteur demande d’où vient un chiffre, un collègue veut vérifier une décision avant de s’appuyer dessus, et un projet ultérieur doit savoir quelles hypothèses étaient valables à l’époque. Quand le raisonnement de l’IA repose sur des leçons sans source, aucune de ces questions n’a de réponse.
Les erreurs arrivent aussi. Une mesure se révèle fausse, ou la correction d’un expert ne valait que dans des conditions que personne n’a notées. Quand les connaissances sont gravées dans les poids d’un modèle, corriger une seule chose exige un nouvel entraînement, et d’autres connaissances peuvent se dégrader au passage. Dans MS Duplex, chaque leçon est indépendante, si bien que votre équipe corrige ou supprime celle qui est fausse.
Des preuves traçables
Chaque enseignement renvoie au résultat, à la mesure ou au jugement d’expert dont il est issu.
Des décisions reproductibles
Un autre chercheur peut reconstituer une décision à partir de l’historique et la vérifier par lui-même.
Des corrections précises
Une leçon erronée peut être corrigée sans toucher au reste de ce que l’équipe a construit.
Un savoir qui évolue
Une nouvelle mesure remplace l’ancienne, et l’historique de ce qui a changé est conservé.


Comment la provenance, la revue et le désapprentissage s’inscrivent dans le quotidien de votre équipe.
Votre équipe continue de travailler comme aujourd’hui. MS Duplex tient l’historique au fil du travail et donne à votre équipe les moyens d’agir dessus.
- 1
Une leçon est conservée avec sa source
Quand un résultat est confirmé ou qu’un expert corrige l’agent, MS Duplex consigne la leçon avec ses preuves et les conditions dans lesquelles elle est valable.
- 2
Les recommandations montrent leur fondement
Quand un agent propose une étape, votre équipe peut voir sur quelles leçons elle s’appuie et d’où vient chacune.
- 3
L’historique est examiné
Les personnes, dans leur périmètre, peuvent examiner l’historique de ce qui a été appris, utilisé et approuvé, et l’exporter.
- 4
Une leçon est corrigée ou supprimée
Si une leçon est fausse, votre équipe la corrige et seule cette leçon change, ou la supprime et les recommandations qui en dépendaient disparaissent aussi. Elle peut être restaurée plus tard.
Un exemple, dans tout domaine où un agent classe des candidats.
L’agent d’une équipe classe des conceptions candidates pour examen. En une semaine, une valeur de référence à l’origine de plusieurs recommandations se révèle fausse.
- 1
Une question sur un classement
Lundi, un relecteur demande pourquoi un candidat est classé premier. L’historique montre les leçons à l’origine du classement, chacune avec le résultat ou le jugement d’expert dont elle est issue.
- 2
Une source qui se révèle fausse
Mardi, l’équipe découvre que l’une de ces leçons repose sur une mesure prise avec un montage défectueux. Elle la supprime. Les recommandations qui en dépendaient disparaissent avec elle, et toutes les autres leçons demeurent.
- 3
Une correction
Mercredi, un expert corrige une deuxième leçon, valable dans des conditions plus étroites que celles consignées. Seule cette leçon change, et le classement suivant de l’agent utilise la version corrigée.
- 4
La décision reconstituée
Vendredi, un collègue reconstitue le nouveau classement à partir de l’historique, voit chaque source et la trace des deux modifications, et l’exporte pour la revue de projet.
La provenance rend les autres capacités dignes de confiance.
Tout ce que MS Duplex apprend, planifie et décide repose sur un historique que votre équipe peut vérifier.
Apprentissage continu
Chaque leçon issue de l’apprentissage continu arrive avec sa source, si bien que l’historique s’enrichit à mesure que l’IA apprend.
Apprendre les relations de cause à effet
Le lien entre une action, ses conditions et son résultat reste consigné, si bien que votre équipe sait distinguer un constat d’une intuition.
Règles et approbations
Les approbations figurent dans le même historique que les leçons, avec qui a approuvé quoi.
Liberté de changer de modèle
L’historique et ses sources restent à votre équipe quand vous changez de modèle, d’agent ou de fournisseur.
Ce que votre équipe y gagne.
Une IA dont votre équipe peut retracer, vérifier et corriger chaque leçon.
Une source pour chaque leçon
Chaque élément d’expérience indique d’où il vient et sur quoi il repose.
Des décisions qu’un autre chercheur peut reproduire
Une décision peut être reconstituée à partir de l’historique et vérifiée par quelqu’un qui n’était pas présent.
Des corrections précises
Corrigez une leçon et seule cette leçon change, sans effets de bord sur le reste.
Une suppression nette
Supprimez une leçon et les recommandations qui en dépendaient disparaissent avec elle, tandis que tout le reste demeure.
Restaurer si nécessaire
Une leçon supprimée peut être restaurée si votre équipe décide qu’elle était juste, finalement.
Un historique exportable
Un historique complet et signé de ce qui a été appris, utilisé et approuvé, prêt à être examiné et exporté.
Questions fréquentes.
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.

