Ga naar de inhoud
Advancing Bits to Master Atoms

Zelfverbetering.
Je agents worden beter met elke bevestigde uitkomst.

De meeste AI-agents gedragen zich bij hun honderdste taak zoals bij hun eerste. MS Duplex laat de agents die je team al gebruikt bij elke werkronde verbeteren.

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

Een trap van vierkante blokken op een grafieten sokkel, ruw grafiet onderaan, fijner satijnzilver hogerop en een kobaltblauw blok als bovenste trede.Een trap van vierkante blokken op een grafieten sokkel, ruw grafiet onderaan, fijner satijnzilver hogerop en een kobaltblauw blok als bovenste trede.

Je team krijgt

  • Minder herhaalde fouten en verspilde runs
  • Agents die zichzelf tussen reviews door verbeteren
  • Een dossier van elke gedragsverandering en de reden ervan

Wat zelfverbetering betekent voor je team.

Zelfverbetering betekent dat je agents hun manier van werken veranderen op basis van wat je werk heeft bevestigd. Een aanpak die slaagde, schuift naar boven op de lijst. Een stap die onder bepaalde omstandigheden mislukte, wordt onder die omstandigheden niet meer voorgesteld. Elke werkronde laat de volgende verder beginnen.

De maatstaf zijn je eigen uitkomsten. MS Duplex beoordeelt elke gedragsverandering aan de resultaten die je tests, metingen en experts bevestigen, en koppelt haar aan de uitkomsten die haar rechtvaardigden. Omdat dat bewijs blijft binnenkomen terwijl het werk doorgaat, verbeteren je agents uit zichzelf tussen reviews door.

Elke verbetering is vastgelegd. Voor elke wijziging kan je team zien wat de agent nu anders doet, sinds wanneer, en welke uitkomsten dat rechtvaardigden. Als een teamleider vraagt waarom de agent zich vandaag beter gedraagt dan vorige maand, staat het antwoord er, met de bronnen erbij.

Waarom onderzoek agents nodig heeft die beter worden door gebruik.

Onderzoekswerk herhaalt zich. Dezelfde soorten beslissingen komen week na week terug, en een agent die er niet van leert, maakt dezelfde fouten tegen dezelfde kosten.

Veel van het AI-werk van een onderzoeksteam is terugkerend: kandidaten rangschikken, instellingen kiezen, de volgende batch runs plannen, een analyse controleren. Elke ronde levert bewijs op over wat werkte en wat niet. Een agent die beter wordt door gebruik, zet dat bewijs al in de eerstvolgende ronde om in beter gedrag.

Zonder zelfverbetering moet de verbetering van mensen komen. Experts beoordelen steeds dezelfde soorten output en corrigeren dezelfde soorten fouten, prompts en notities worden langer, en de agent blijft zo goed als de laatste keer dat iemand zijn instructies bewerkte. De ervaring van het team groeit, terwijl die van de agent blijft waar ze was.

  • Terugkerend werk telt op

    Een kleine verbetering in een beslissing die je team elke dag neemt, is meer waard dan een grote in een beslissing die één keer wordt genomen.

  • Verspilde runs zijn duur

    Elke mislukte aanpak die een agent opnieuw voorstelt, kost een tweede keer rekenkracht, materiaal of instrumenttijd.

  • Reviews hebben grenzen

    Experts kunnen niet elke stap controleren, dus de agent moet zowel tussen hun reviews door als tijdens die reviews beter worden.

  • Leidinggevenden moeten voortgang zien

    Een verbetering die je team niet tot bewijs kan herleiden, is moeilijk te vertrouwen en nog moeilijker te verdedigen.

Een ronde satijnzilveren meter op een grafieten standaard, met een kobaltblauwe naald die hoog op een fijn gegraveerde schaal wijst.Een ronde satijnzilveren meter op een grafieten standaard, met een kobaltblauwe naald die hoog op een fijn gegraveerde schaal wijst.

Hoe zelfverbetering werkt in de werkdag van je team.

Je agents blijven het werk doen. MS Duplex neemt de uitkomsten die je team kiest vast te leggen en zet ze om in beter gedrag voor de volgende ronde.

  1. 1

    De agent doet een voorstel

    Hij beveelt een aanpak, een instelling of een volgende stap aan, op basis van wat je team al heeft bevestigd.

  2. 2

    De uitkomst komt terug

    Een test, een meting of een expert laat zien of het voorstel werkte, en onder welke omstandigheden.

  3. 3

    Het gedrag verandert

    Wat werkte, wordt een van de eerste keuzes van de agent. Wat onder die omstandigheden mislukte, wordt daar niet meer voorgesteld.

  4. 4

    De wijziging wordt vastgelegd

    Elke verbetering wordt bewaard met de uitkomsten die haar rechtvaardigden, zodat je team haar kan beoordelen, corrigeren of verwijderen.

Een voorbeeld, uit elk vakgebied waarin een agent runs plant.

De agent van een team plant batches runs richting een doel. Over meerdere werkrondes worden zijn plannen beter, en het dossier laat zien waarom.

  1. 1

    Ronde één

    De agent stelt tien runs voor. Drie halen het doel, en vier mislukken om dezelfde reden: een instelling buiten het bereik waarin de methode geldt. Het team bevestigt beide resultaten.

  2. 2

    Ronde twee

    De agent vertrekt vanuit de aanpak achter de drie successen en houdt de falende instelling onder die omstandigheden buiten zijn plan. Er gaan minder runs naar wat het team al weet dat niet werkt.

  3. 3

    Ronde drie

    Een run met een nieuwe combinatie slaagt waar de oude eerste keuze tekortschoot. De nieuwe aanpak neemt de plaats vooraan in, gekoppeld aan het resultaat dat dit rechtvaardigde.

  4. 4

    De review

    Bij de volgende review opent de teamleider het dossier. Elke wijziging in de plannen van de agent staat erin met de uitkomsten erachter, en één wijziging die op één twijfelachtig resultaat steunde, wordt afzonderlijk verwijderd, terwijl de rest blijft.

Zelfverbetering steunt op de andere mogelijkheden.

Beter gedrag hangt af van goed bewijs, duidelijke redenen en een dossier waarop je team kan vertrouwen.

  • Continu leren

    Elk bevestigd resultaat wordt geleerd vanaf het volgende verzoek, wat zelfverbetering bij elke ronde nieuw bewijs geeft.

  • Oorzaak en gevolg leren

    Weten welke actie tot welke uitkomst leidde, onder welke omstandigheden, laat je agents op de juiste plek verbeteren en de rest ongemoeid laten.

  • Beslissingen die hun grenzen kennen

    Naarmate aanpakken zich bewijzen, worden meer routinebeslissingen direct afgehandeld, met minder modelaanroepen bij terugkerend werk.

  • Herkomst, review en afleren

    Elke gedragsverandering behoudt haar bron, zodat elke wijziging kan worden beoordeeld, gecorrigeerd of verwijderd zonder de rest aan te raken.

Wat je team krijgt.

Agents die bij elke werkronde beter worden, met elke verbetering zichtbaar en gekoppeld aan het bewijs.

nauwkeuriger dan een voor de taak gefinetuned model, bij terugkerend werk, zonder trainingsrun, in gecontroleerde tests van MatterSpace
+16 punten
  • Minder herhaalde fouten

    Een stap die onder bekende omstandigheden mislukte, wordt onder die omstandigheden niet meer voorgesteld.

  • Minder verspilde runs

    Rekenkracht, materiaal en instrumenttijd gaan naar aanpakken met bevestigd bewijs erachter.

  • Verbetering tussen reviews door

    Agents worden uit zichzelf beter naarmate uitkomsten binnenkomen, zonder te wachten tot iemand hun instructies herschrijft.

  • Een dossier van elke wijziging

    Elke gedragsverandering staat vermeld met wat er veranderde, wanneer, en de uitkomsten die haar rechtvaardigden.

  • Gemeten aan je werk

    Verbetering wordt beoordeeld aan de uitkomsten die je eigen tests, metingen en experts bevestigen.

  • Geen trainingsruns

    Je agents verbeteren naast het model, terwijl de gewichten ervan blijven zoals ze zijn, dus er is geen dataset om voor te bereiden en geen trainingscyclus om op te wachten.

Veelgestelde vragen.

Hoe weet MS Duplex dat een agent is verbeterd?

Het meet aan bevestigde uitkomsten: de resultaten die je tests, metingen en experts bevestigen. Elke gedragsverandering is gekoppeld aan de uitkomsten die haar rechtvaardigden, zodat je team het bewijs voor elke verbetering zelf kan controleren.

Kan mijn team zien waarom de agent zich anders gedraagt?

Ja. Elke gedragsverandering is vastgelegd met de reden en de uitkomsten erachter. Je team kan elke wijziging beoordelen, en haar afzonderlijk corrigeren of verwijderen terwijl al het andere blijft.

Wie bepaalt waarvan de agent leert?

Je team. De agent verbetert op basis van de uitkomsten en correcties die je team kiest vast te leggen, en je wetenschappers en engineers beslissen wat wordt overgenomen. Je regels gaan voor, en in beheerde omgevingen wachten de stappen die je selecteert op een persoon voordat ze draaien.

Wat is het verschil tussen zelfverbetering en fine-tuning?

Fine-tuning verbetert een model via een trainingsrun op een voorbereide dataset. MS Duplex verbetert je agents op basis van bevestigde uitkomsten terwijl het werk doorgaat, naast het model, en houdt elke wijziging bewerkbaar. In gecontroleerde tests van MatterSpace kwam MS Duplex bij terugkerend werk beter uit 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.