Ga naar de inhoud
Advancing Bits to Master Atoms

Continu leren.
Je AI leert van elk bevestigd resultaat.

De huidige modellen stoppen met leren op de dag dat hun training eindigt. MS Duplex laat de AI die je wetenschappers en engineers gebruiken blijven leren terwijl het werk doorgaat.

Leren en verbeteren · een van de veertien mogelijkheden van MS Duplex

Een rechtopstaande lus van satijnzilver lint op een grafieten sokkel, met een groeiende rij kleine kobaltblauwe kralen langs de binnenrand.Een rechtopstaande lus van satijnzilver lint op een grafieten sokkel, met een groeiende rij kleine kobaltblauwe kralen langs de binnenrand.

Je team krijgt

  • Je AI houdt gelijke tred met je onderzoek, elke dag dat hij draait
  • Geen trainingsruns, geen datasets om voor te bereiden, geen accelerators om te reserveren
  • Eerdere lessen blijven scherp terwijl er nieuwe bijkomen

Wat continu leren betekent voor je team.

Continu leren betekent dat je AI blijft leren nadat hij in gebruik is genomen, van het werk dat je team doet. Elke bevestigde uitkomst, elke correctie van een expert en elke goedgekeurde conclusie wordt ervaring die het volgende verzoek kan gebruiken.

Een model kan dit niet op zichzelf. Zijn kennis ligt vast wanneer zijn training eindigt, en om het iets nieuws te leren, moet je een dataset voorbereiden en nog een trainingscyclus draaien. MS Duplex leert in plaats daarvan naast het model, terwijl de gewichten van het model blijven zoals ze zijn, zodat een les die je team vanochtend bevestigt vanmiddag geldt.

Meer leren betekent niet vergeten. Een nieuwe les wordt toegevoegd aan wat MS Duplex al bevat en laat de rest zoals die was, zodat de AI die je nieuwste methode leerde nog steeds de omstandigheden kent die je team maanden geleden bevestigde.

Waarom onderzoek AI nodig heeft die blijft leren.

De wetenschap gaat elke dag verder. Een model dat aan het einde van zijn training is bevroren, raakt met elke week dat het draait verder achter op je werk.

In een onderzoeksteam is de waardevolste kennis de nieuwste: de meting die gisteren terugkwam, de correctie die een expert vanochtend maakte, de werkgrens die iemand vorige week bevestigde. Niets daarvan staat in de trainingsdata van welk model dan ook, omdat het nog niet bestond toen het model werd getraind.

Zonder continu leren zit die kennis in de hoofden van mensen en in notities die de AI nooit goed leest. Experts maken dezelfde correctie opnieuw, agents stellen dezelfde mislukte stap nog eens voor, en runs die echte rekenkracht en labtijd kosten, gaan op aan het herontdekken van wat het team al wist.

  • Kennis van een paar dagen oud

    De resultaten die het meest uitmaken voor je volgende beslissing, zijn de resultaten die je eigen team het laatst heeft opgeleverd.

  • Experttijd is schaars

    Een correctie die één keer is gemaakt, zou in de volgende sessie niet opnieuw door dezelfde expert gemaakt moeten hoeven worden.

  • Runs zijn duur

    Elke herhaalde mislukking kost rekenkracht, materialen of instrumenttijd die een lerende AI had bespaard.

  • Feiten veranderen

    Een nieuwere meting vervangt een oudere. Je AI moet daarin meegaan en niet de oude waarde blijven noemen.

Vier kleine modules op een ronde grafieten basis, een grafieten blok, een zilveren meter, een zilveren bakje en een kobaltblauw plaatje, in een ring verbonden door één dun kobaltblauw spoor.Vier kleine modules op een ronde grafieten basis, een grafieten blok, een zilveren meter, een zilveren bakje en een kobaltblauw plaatje, in een ring verbonden door één dun kobaltblauw spoor.

Hoe continu leren werkt in de dagelijkse praktijk van je team.

Je team blijft werken zoals het nu doet. MS Duplex leert van de uitkomsten die je kiest vast te leggen en brengt ze terug waar ze passen.

  1. 1

    Je agent werkt

    Hij plant, draait een simulatie, analyseert data of stelt de volgende stap voor, met het model en de tools die je team al gebruikt.

  2. 2

    Het resultaat wordt bevestigd

    Een test slaagt, een meting komt terug of een expert keurt de conclusie goed, of corrigeert die en zegt waarom.

  3. 3

    De les wordt bewaard

    MS Duplex legt vast wat er is geleerd, met het bewijs en de omstandigheden waaronder het geldt, klaar vanaf het volgende verzoek.

  4. 4

    Het geldt waar het past

    Het volgende passende geval, in elke sessie, elke agent of elk model, begint vanuit die les. Waar de omstandigheden verschillen, zegt MS Duplex dat.

Een voorbeeld, in elk vakgebied waar een agent helpt beslissen.

De agent van een team beveelt instellingen aan voor een terugkerende analyse. In één week leert hij drie dingen die niemand twee keer hoefde op te schrijven.

  1. 1

    Een correctie

    Op maandag wijst een expert een aanbeveling af omdat die een bekende grens van de methode negeert, en legt de reden vast. Vanaf het volgende verzoek controleert de agent die grens eerst.

  2. 2

    Een bevestiging

    Op dinsdag wordt een resultaat dat de agent voorspelde door een meting bevestigd. De aanpak erachter wordt de eerste keuze van de agent voor gevallen met dezelfde omstandigheden.

  3. 3

    Een gewijzigd feit

    Op donderdag vervangt een nieuwe kalibratie een oude referentiewaarde. Elk later antwoord gebruikt de nieuwe waarde, en de geschiedenis laat zien wanneer en waarom die veranderde.

  4. 4

    De volgende sessie

    Op vrijdag opent een collega een nieuwe sessie op een ander model. Alle drie de lessen zijn er al, elk met zijn bron.

Continu leren maakt de andere mogelijkheden sterker.

Wat MS Duplex continu leert, is waarop de rest van de laag voortbouwt.

  • Zelfverbetering

    Continu geleerde lessen worden beter gedrag: wat werkte wordt eerst geprobeerd, wat mislukte wordt niet meer voorgesteld.

  • Herbruikbare methoden

    Een bevestigde procedure wordt een methode die je agents hergebruiken en aanpassen, op het moment dat ze is bevestigd.

  • Onderzoeksgeheugen over sessies heen

    Elke nieuwe sessie begint vanuit alles wat tot nu toe is geleerd, niet vanuit wat het model wist aan het einde van zijn training.

  • Herkomst, review en afleren

    Elke les behoudt zijn bron, zodat elke afzonderlijke les kan worden beoordeeld, gecorrigeerd of verwijderd zonder de rest aan te raken.

Wat je team krijgt.

AI die bijblijft met je onderzoek, met elke les zichtbaar en onder jouw controle.

antwoorden over een gewijzigd feit gaven de verouderde waarde, in gecontroleerde tests van MatterSpace
0 van 8.640
verouderde antwoorden nadat feiten veranderden: MS Duplex naast standaardretrieval, in dezelfde tests
0% vs. 57%
  • Leren vanaf het volgende verzoek

    Een bevestigd resultaat of een correctie geldt vanaf het volgende verzoek, zonder te wachten op een trainingscyclus.

  • Geen trainingsruns

    Geen datasets om voor te bereiden, geen accelerators om te reserveren en geen nieuwe modelversie om na elke les te valideren.

  • Niets vergeten

    Een nieuwe les laat wat eerder is geleerd intact, zodat oudere resultaten even bruikbaar blijven als nieuwere.

  • Actuele feiten

    Als een waarde verandert, geldt de nieuwste bevestigde waarde en blijft de geschiedenis van de wijziging bewaard.

  • Jij kiest wat er wordt geleerd

    Je team beslist welke uitkomsten en correcties worden vastgelegd, en kan elke les beoordelen.

  • Elk model

    Het leren gebeurt naast het model, dus het werkt met een algemeen model, een gefinetuned model of de volgende release.

Veelgestelde vragen.

Verandert continu leren mijn model?

Nee. De gewichten van het model blijven zoals ze zijn. MS Duplex leert naast het model, en daarom is een les klaar vanaf het volgende verzoek en blijft de ervaring behouden wanneer je van model wisselt.

Waarvan leert MS Duplex?

Uit de uitkomsten en correcties die je team kiest vast te leggen: een geslaagde test, een meting, een goedgekeurde conclusie, de correctie van een expert met de reden erbij. Elke les behoudt zijn bron en de omstandigheden waaronder hij geldt.

Zorgen nieuwe lessen ervoor dat oudere worden vergeten?

Een nieuwe les wordt toegevoegd naast wat MS Duplex al bevat en laat de rest zoals die was. Waar een nieuwer bevestigd resultaat een ouder vervangt, geldt het nieuwere en blijft de geschiedenis bewaard.

Wat is het verschil met fine-tuning?

Fine-tuning verandert de gewichten van een model via een trainingsrun op een voorbereide dataset. Continu leren in MS Duplex neemt één bevestigd resultaat tegelijk, past het toe vanaf het volgende verzoek en houdt elke les bewerkbaar. In gecontroleerde tests van MatterSpace presteerde MS Duplex bij terugkerend werk beter dan een voor de taak gefinetuned model.

Laat de volgende run profiteren van de vorige.

Breng ons het onderzoek waarin je AI beter moet worden. We plannen een pilot op je eigen workflows, met je experts als beoordelaars.