Ga naar de inhoud
Advancing Bits to Master Atoms

Herkomst, review en afleren.
Elke les houdt haar bron en kan worden gecorrigeerd of verwijderd.

In MS Duplex laat elk stuk ervaring zien waar het vandaan komt en waarop het rust, in één geschiedenis die je team kan beoordelen en exporteren.

Onthouden en beheren · een van de veertien mogelijkheden van MS Duplex

Een ketting van satijnzilveren schakels over een grafieten sokkel, die terugleidt naar een klein kobaltblauw blok aan één uiteinde.Een ketting van satijnzilveren schakels over een grafieten sokkel, die terugleidt naar een klein kobaltblauw blok aan één uiteinde.

Je team krijgt

  • Beslissingen die een andere onderzoeker kan reproduceren
  • Fouten precies hersteld, zonder bijwerkingen
  • Een volledige, exporteerbare geschiedenis van het werk

Wat herkomst, review en afleren betekenen voor je team.

Herkomst betekent dat elk stuk ervaring in MS Duplex laat zien waar het vandaan komt: het resultaat, de meting of het oordeel van een expert erachter, en de omstandigheden waaronder het is bevestigd. Als een agent een stap aanbeveelt, kan je team zien waarop die aanbeveling steunt.

Review betekent dat het volledige dossier in één geschiedenis staat die je team kan lezen en exporteren. Die omvat wat is geleerd, wat is gebruikt en wat is goedgekeurd, en is ondertekend. Een andere onderzoeker kan er een beslissing uit reconstrueren en die zelf controleren.

Afleren betekent dat een fout precies kan worden hersteld. Corrigeer een les en alleen die les verandert. Verwijder hem en de aanbevelingen die ervan afhingen verdwijnen mee, terwijl al het andere blijft zoals het was. Een verwijderde les kan worden teruggezet als je team van gedachten verandert.

Waarom onderzoek AI nodig heeft die haar bronnen laat zien.

Een conclusie is zo nuttig als het bewijs erachter. AI die haar bronnen niet kan laten zien, vraagt je team om haar op haar woord te geloven.

In onderzoek moet elk resultaat herleidbaar zijn. Een reviewer vraagt waar een getal vandaan komt, een collega wil een beslissing controleren voordat hij erop voortbouwt, en een later project moet weten welke aannames destijds golden. Als de redenering van de AI rust op lessen zonder bron, heeft geen van deze vragen een antwoord.

Fouten komen ook voor. Een meting blijkt verkeerd, of de correctie van een expert gold alleen onder omstandigheden die niemand heeft opgeschreven. Als kennis in de gewichten van een model is ingebakken, betekent één ding herstellen een nieuwe trainingsrun, en kan andere kennis daarbij afslijten. In MS Duplex staat elke les op zichzelf, zodat je team de les corrigeert of verwijdert die fout is.

  • Herleidbaar bewijs

    Elke les verwijst naar het resultaat, de meting of het oordeel van een expert waar hij vandaan komt.

  • Reproduceerbare beslissingen

    Een andere onderzoeker kan een beslissing reconstrueren uit het dossier en die zelf controleren.

  • Precieze correcties

    Eén foute les kan worden hersteld zonder de rest van wat het team heeft opgebouwd aan te raken.

  • Kennis die meebeweegt

    Een nieuwe meting vervangt de oude, en de geschiedenis van wat er veranderde blijft bewaard.

Een rechtopstaande cilindrische kern van lagen grafiet en satijnzilver op een grafieten basis, met één dunne kobaltblauwe draad die door elke laag loopt.Een rechtopstaande cilindrische kern van lagen grafiet en satijnzilver op een grafieten basis, met één dunne kobaltblauwe draad die door elke laag loopt.

Hoe herkomst, review en afleren werken in de dagelijkse praktijk van je team.

Je team blijft werken zoals het nu doet. MS Duplex houdt het dossier bij terwijl het werk doorgaat en geeft je team de middelen om ernaar te handelen.

  1. 1

    Een les wordt bewaard met zijn bron

    Als een resultaat wordt bevestigd of een expert de agent corrigeert, legt MS Duplex de les vast met het bewijs en de omstandigheden waaronder hij geldt.

  2. 2

    Aanbevelingen tonen hun basis

    Als een agent een stap voorstelt, kan je team zien op welke lessen die steunt en waar elke les vandaan komt.

  3. 3

    Het dossier wordt beoordeeld

    Mensen binnen hun scope kunnen de geschiedenis van wat is geleerd, gebruikt en goedgekeurd beoordelen en exporteren.

  4. 4

    Een les wordt gecorrigeerd of verwijderd

    Als een les fout is, corrigeert je team hem en verandert alleen die les, of verwijdert het hem en verdwijnen de aanbevelingen die erop rustten mee. Hij kan later worden teruggezet.

Een voorbeeld, in elk vakgebied waar een agent kandidaten rangschikt.

De agent van een team rangschikt kandidaatontwerpen voor review. In de loop van één week blijkt een referentiewaarde achter verschillende aanbevelingen fout te zijn.

  1. 1

    Een vraag over een rangschikking

    Op maandag vraagt een reviewer waarom een kandidaat bovenaan staat. Het dossier toont de lessen achter de rangschikking, elk met het resultaat of het oordeel van een expert waar die vandaan komt.

  2. 2

    Een bron blijkt fout

    Op dinsdag ontdekt het team dat een van die lessen rust op een meting die met een defecte opstelling is gedaan. Ze verwijderen hem. De aanbevelingen die ervan afhingen, verdwijnen mee, en elke andere les blijft.

  3. 3

    Een correctie

    Op woensdag corrigeert een expert een tweede les die onder nauwere omstandigheden gold dan vastgelegd. Alleen die les verandert, en de volgende rangschikking van de agent gebruikt de gecorrigeerde versie.

  4. 4

    De beslissing gereconstrueerd

    Op vrijdag reconstrueert een collega de nieuwe rangschikking uit het dossier, ziet elke bron en de geschiedenis van beide wijzigingen, en exporteert die voor de projectreview.

Herkomst maakt de andere mogelijkheden betrouwbaar.

Alles wat MS Duplex leert, plant en beslist, rust op een dossier dat je team kan controleren.

  • Continu leren

    Elke les die continu wordt geleerd, komt binnen met zijn bron, zodat het dossier groeit naarmate de AI leert.

  • Oorzaak en gevolg leren

    Het verband tussen een actie, de omstandigheden en de uitkomst blijft vastgelegd, zodat je team een bevinding van een vermoeden kan onderscheiden.

  • Regels en goedkeuringen

    Goedkeuringen staan in dezelfde geschiedenis als de lessen, met wie wat heeft goedgekeurd.

  • Vrijheid om van model te wisselen

    De geschiedenis en de bronnen ervan blijven bij je team als je van model, agent of leverancier wisselt.

Wat je team krijgt.

AI waarvan je team elke les kan herleiden, controleren en herstellen.

  • Een bron voor elke les

    Elk stuk ervaring laat zien waar het vandaan komt en waarop het rust.

  • Beslissingen die een andere onderzoeker kan reproduceren

    Een beslissing kan uit het dossier worden gereconstrueerd en gecontroleerd door iemand die er niet bij was.

  • Precieze correcties

    Corrigeer een les en alleen die les verandert, zonder neveneffecten op de rest.

  • Schone verwijdering

    Verwijder een les en de aanbevelingen die ervan afhingen verdwijnen mee, terwijl al het andere blijft.

  • Terugzetten wanneer nodig

    Een verwijderde les kan worden teruggezet als je team besluit dat hij toch klopte.

  • Een exporteerbare geschiedenis

    Een volledige, ondertekende geschiedenis van wat is geleerd, gebruikt en goedgekeurd, klaar om te beoordelen en te exporteren.

Veelgestelde vragen.

Wat bewaart elke les als bron?

Het resultaat, de meting of het oordeel van een expert waar hij vandaan komt, en de omstandigheden waaronder hij is bevestigd. Als een agent op een les steunt, kan je team die bron zien en controleren.

Wat gebeurt er als we een les verwijderen?

De les wordt verwijderd, en de aanbevelingen die ervan afhingen verdwijnen mee. Al het andere blijft zoals het was, en de les kan worden teruggezet als je team van gedachten verandert.

Kunnen we de geschiedenis exporteren?

Ja. De ondertekende geschiedenis van wat is geleerd, gebruikt en goedgekeurd, is klaar om te beoordelen en te exporteren, zodat een andere onderzoeker of een reviewer er een beslissing uit kan reconstrueren.

Hoe verschilt dit van het corrigeren van een gefinetuned model?

Fine-tuning bakt kennis in de gewichten van een model, dus één ding veranderen betekent een nieuwe trainingsrun. MS Duplex bewaart elke les naast het model, terwijl de gewichten ervan blijven zoals ze zijn, zodat één les afzonderlijk kan worden gecorrigeerd of verwijderd.

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.