Aller au contenu
Advancing Bits to Master Atoms

Auto-amélioration.
Vos agents s’améliorent à chaque résultat confirmé.

La plupart des agents IA se comportent à leur centième tâche comme à leur première. MS Duplex fait progresser les agents que votre équipe utilise déjà à chaque cycle de travail.

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

Un escalier de blocs carrés sur un socle en graphite, en graphite brut en bas, en argent satiné plus fin vers le haut, avec un bloc bleu cobalt comme marche supérieure.Un escalier de blocs carrés sur un socle en graphite, en graphite brut en bas, en argent satiné plus fin vers le haut, avec un bloc bleu cobalt comme marche supérieure.

Votre équipe obtient

  • Moins d’erreurs répétées et d’exécutions gaspillées
  • Des agents qui s’améliorent d’eux-mêmes entre deux revues
  • Un relevé de chaque changement de comportement et de sa raison

Ce que l’auto-amélioration signifie pour votre équipe.

L’auto-amélioration signifie que vos agents changent leur façon de travailler en fonction de ce que votre travail a confirmé. Une approche qui a réussi passe en tête de liste. Une étape qui a échoué dans certaines conditions cesse d’être proposée dans ces conditions. Chaque cycle de travail fait partir le suivant d’un point plus avancé.

La mesure, ce sont vos propres résultats. MS Duplex juge chaque changement de comportement à l’aune des résultats que vos tests, vos mesures et vos experts confirment, et le lie aux résultats qui l’ont justifié. Comme ces preuves continuent d’arriver à mesure que le travail avance, vos agents s’améliorent d’eux-mêmes entre les revues.

Chaque amélioration est consignée. Pour chaque changement, votre équipe peut voir ce que l’agent fait désormais différemment, depuis quand, et quels résultats l’ont justifié. Quand un responsable demande pourquoi l’agent se comporte mieux aujourd’hui que le mois dernier, la réponse est là, avec ses sources.

Pourquoi la recherche a besoin d’agents qui s’améliorent à l’usage.

Le travail de recherche se répète. Les mêmes types de décisions reviennent semaine après semaine, et un agent qui n’en tire pas d’enseignements commet les mêmes erreurs, au même coût.

Une grande partie du travail d’IA d’une équipe de recherche est récurrente : classer des candidats, choisir des paramètres, planifier le prochain lot d’exécutions, vérifier une analyse. Chaque cycle produit des preuves sur ce qui a fonctionné et ce qui n’a pas fonctionné. Un agent qui s’améliore à l’usage transforme ces preuves en un meilleur comportement dès le cycle suivant.

Sans auto-amélioration, l’amélioration doit venir des personnes. Les experts examinent les mêmes types de résultats et corrigent les mêmes types d’erreurs, les prompts et les notes s’allongent, et l’agent reste aussi bon que la dernière fois que quelqu’un a modifié ses instructions. L’expérience de l’équipe grandit tandis que celle de l’agent reste au même point.

  • Le travail récurrent s’additionne

    Une petite amélioration sur une décision que votre équipe prend chaque jour vaut plus qu’une grande amélioration sur une décision prise une seule fois.

  • Les exécutions gaspillées coûtent cher

    Chaque approche ayant échoué qu’un agent propose à nouveau consomme une seconde fois du calcul, des matériaux ou du temps d’instrument.

  • Les revues ont leurs limites

    Les experts ne peuvent pas vérifier chaque étape, si bien que l’agent doit s’améliorer entre leurs revues autant que pendant.

  • Les responsables doivent voir la progression

    Il est difficile de se fier à une amélioration que votre équipe ne peut pas rattacher à des preuves, et plus difficile encore de la défendre.

Une jauge ronde argent satiné sur un support en graphite, son aiguille bleu cobalt pointant haut sur une échelle finement gravée.Une jauge ronde argent satiné sur un support en graphite, son aiguille bleu cobalt pointant haut sur une échelle finement gravée.

Comment l’auto-amélioration fonctionne au quotidien dans votre équipe.

Vos agents continuent de faire le travail. MS Duplex prend les résultats que votre équipe choisit de saisir et les transforme en un meilleur comportement pour le cycle suivant.

  1. 1

    L’agent propose

    Il recommande une approche, un paramètre ou une étape suivante, en s’appuyant sur ce que votre équipe a déjà confirmé.

  2. 2

    Le résultat revient

    Un test, une mesure ou un expert montre si la proposition a fonctionné, et dans quelles conditions.

  3. 3

    Le comportement change

    Ce qui a fonctionné devient l’un des premiers choix de l’agent. Ce qui a échoué dans ces conditions cesse d’y être proposé.

  4. 4

    Le changement est consigné

    Chaque amélioration est conservée avec les résultats qui l’ont justifiée, si bien que votre équipe peut l’examiner, la corriger ou la supprimer.

Un exemple, dans tout domaine où un agent planifie des exécutions.

L’agent d’une équipe planifie des lots d’exécutions vers une cible. Au fil de plusieurs cycles de travail, ses plans s’améliorent, et l’historique montre pourquoi.

  1. 1

    Premier cycle

    L’agent propose dix exécutions. Trois atteignent la cible, et quatre échouent pour la même raison : un paramètre hors de la plage où la méthode est valable. L’équipe confirme les deux résultats.

  2. 2

    Deuxième cycle

    L’agent part de l’approche à l’origine des trois réussites et écarte de son plan le paramètre en échec dans ces conditions. Moins d’exécutions vont à ce que l’équipe sait déjà ne pas fonctionner.

  3. 3

    Troisième cycle

    Une exécution avec une nouvelle combinaison réussit là où l’ancien premier choix n’avait pas suffi. La nouvelle approche prend sa place en tête, liée au résultat qui l’a justifiée.

  4. 4

    La revue

    Lors de la revue suivante, la responsable ouvre l’historique. Chaque changement dans les plans de l’agent y figure avec les résultats qui le sous-tendent, et celui qui reposait sur un seul résultat douteux est supprimé isolément, tandis que le reste demeure.

L’auto-amélioration s’appuie sur les autres capacités.

Un meilleur comportement dépend de bonnes preuves, de raisons claires et d’un historique auquel votre équipe peut se fier.

  • Apprentissage continu

    Chaque résultat confirmé est appris dès la requête suivante, ce qui fournit à l’auto-amélioration de nouvelles preuves à chaque cycle.

  • Apprendre les relations de cause à effet

    Savoir quelle action a conduit à quel résultat, et dans quelles conditions, permet à vos agents de s’améliorer au bon endroit et de laisser le reste intact.

  • Des décisions qui connaissent leurs limites

    À mesure que les approches font leurs preuves, davantage de décisions courantes sont tranchées directement, avec moins d’appels au modèle sur le travail récurrent.

  • Provenance, revue et désapprentissage

    Chaque changement de comportement conserve sa source, si bien que n’importe lequel peut être examiné, corrigé ou supprimé sans toucher au reste.

Ce que votre équipe y gagne.

Des agents qui s’améliorent à chaque cycle de travail, chaque amélioration étant visible et liée à ses preuves.

plus précis qu’un modèle fine-tuné pour la tâche, sur le travail récurrent, sans entraînement, lors des tests contrôlés de MatterSpace
+16 pts
  • Moins d’erreurs répétées

    Une étape qui a échoué dans des conditions connues cesse d’être proposée dans ces conditions.

  • Moins d’exécutions gaspillées

    Le calcul, les matériaux et le temps d’instrument vont aux approches appuyées par des preuves confirmées.

  • Des progrès entre les revues

    Les agents s’améliorent d’eux-mêmes à mesure que les résultats arrivent, sans attendre que quelqu’un réécrive leurs instructions.

  • Un historique de chaque changement

    Chaque changement de comportement est répertorié avec ce qui a changé, quand, et les résultats qui l’ont justifié.

  • Mesuré sur votre travail

    L’amélioration est jugée au regard des résultats que vos propres tests, mesures et experts confirment.

  • Aucun cycle d’entraînement

    Vos agents s’améliorent à côté du modèle, dont les poids restent inchangés, si bien qu’il n’y a aucun jeu de données à préparer ni cycle d’entraînement à attendre.

Questions fréquentes.

Comment MS Duplex sait-il qu’un agent s’est amélioré ?

Il mesure au regard des résultats confirmés : ceux que vos tests, vos mesures et vos experts confirment. Chaque changement de comportement est lié aux résultats qui l’ont justifié, si bien que votre équipe peut vérifier elle-même les preuves de toute amélioration.

Mon équipe peut-elle voir pourquoi l’agent se comporte différemment ?

Oui. Chaque changement de comportement est consigné avec sa raison et les résultats qui le sous-tendent. Votre équipe peut examiner n’importe quel changement, et le corriger ou le supprimer isolément tandis que tout le reste demeure.

Qui décide de ce dont l’agent apprend ?

Votre équipe. L’agent s’améliore à partir des résultats et des corrections que votre équipe choisit de saisir, et vos scientifiques et ingénieurs décident de ce qui est adopté. Vos règles passent en premier, et dans les environnements encadrés, les étapes que vous sélectionnez attendent une personne avant de s’exécuter.

En quoi l’auto-amélioration diffère-t-elle du fine-tuning ?

Le fine-tuning améliore un modèle par un entraînement sur un jeu de données préparé. MS Duplex améliore vos agents à partir des résultats confirmés à mesure que le travail avance, à côté du modèle, et garde chaque changement modifiable. Lors des tests contrôlés de MatterSpace, MS Duplex a devancé un modèle fine-tuné pour la tâche sur le travail récurrent.

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.