Heldere antwoorden over MS Duplex en MS Reflex.
De vragen die teams stellen voordat ze uitrollen.

Met een pilot op je eigen werk. Vertel ons waar je team werkt en wat MS Duplex als eerste moet leren. We spreken de maatstaven af voordat het begint en richten MS Duplex samen met je in, in de omgeving die je kiest.

Op basis van beslissingen en gebruikers. Een beslissing is één verzoek waaraan MS Duplex meedoet, of MS Duplex het nu zelf beantwoordt of je AI erbij haalt. Elke offerte komt schriftelijk voordat je je vastlegt.

Nee. Je gebruikt je eigen modeltoegang en betaalt je provider daarvoor, en MatterSpace rekent geen marge op tokens. Een beslissing die MS Duplex heeft geleerd, heeft helemaal geen modelaanroep nodig.

Het blijft in de omgeving die jij kiest. In MatterSpace Cloud draait MS Duplex voor je en blijft elke klant gescheiden. In jouw cloud blijft het onder jouw controle. Het enige wat naar buiten gaat, is een verzoek aan een extern model dat je koppelt, en die aanbieder ziet alleen dat verzoek.

MS Duplex is het Agent Operating System, aangedreven door runtime-intelligentie: de laag waarop elke agent draait, welk model die ook gebruikt. MS Duplex is je AI-model en een ACI-model die als één werken: runtime-intelligentie voor je AI en je agents. Samen leren, plannen, simuleren, beslissen en handelen ze terwijl het werk gebeurt, van één persoon tot de hele onderneming. Wat het leert, is van jou. Gebouwd op ACI, Adaptive Continual Intelligence.

De AI van vandaag is versnipperd: het model, retrieval en applicatiecode hebben elk een stuk van de intelligentie in handen, en geen van drieën leert van het werk. MS Duplex is de infrastructuurlaag die ze verenigt tot één systeem dat leert, plant, simuleert, beslist en handelt. Het zwaartepunt verschuift naar het hele systeem: het model kan wisselen, en MS Duplex neemt de rest mee.

MS Duplex is het Agent Operating System, aangedreven door runtime-intelligentie: de laag waarop elke agent draait, welk model die ook gebruikt. Agents werken nu uren of dagen, over sessies, apps en modellen heen, maar elk bouwt nog steeds een eigen geheugen, eigen regels en eigen toolkoppelingen, en verliest die zodra het model of de app verandert. MS Duplex geeft ze één laag voor dat alles, zodat elke agent zijn context, regels en tools houdt, welk model of welke app hij ook gebruikt.

Het coördineert alles wat een doel nodig heeft: het plan, de opties, de beslissing, je goedkeuringen, het werk in je tools en de controle van het resultaat. Het draagt de context van elke agent mee, houdt langlopend werk gaande door pauzes en wijzigingen heen, houdt één geschiedenis van elke stap bij en leert van wat is geverifieerd. Je stack wordt één gereedschapskist voor elke agent, wat elke persoon, elk team en elke organisatie leert, blijft in de eigen laag, en het model kan wisselen terwijl wat je agents hebben geleerd blijft.

De laag waarop je agents draaien, is runtime-intelligentie aan het werk: je AI-model en een ACI-model die als één werken, leren van elk resultaat, plannen, simuleren, beslissen en handelen terwijl het werk gebeurt. Daarom wordt die laag beter met gebruik, en daarom blijft wat die leert van jou als je van model wisselt.

Iedereen wiens werk op AI draait, van één persoon tot de hele onderneming. Een persoon begint in de eigen assistent, een team deelt wat het leert, een klein bedrijf gebruikt MatterSpace Cloud, en een groter bedrijf brengt het via MCP + hooks in de eigen agents en de eigen cloud.

Een harness geeft je AI tools, prompts en stappen, en doet waarvoor het is ingericht. MS Duplex koppelt je AI aan een ACI-model dat leert van elk bevestigd resultaat, binnen jouw regels plant, simuleert, beslist en handelt, en je werk meeneemt over tools en modellen heen. Het werkt in Claude, Codex, Cursor en Hermes, en via MCP + hooks in je eigen agents.

114 mogelijkheden in 17 groepen: Context en waarneming · Regels en gedragssturing · Tooluitvoering · Leren en personalisatie · Long Horizon: langlopend werk · Plannen en beslishulp · Skill Fabric: herbruikbare vaardigheden · Doorlopende draden en delen · Vergeten en controle over data · Status en uitleg · Blijvende intelligentie · Personalisatie · Multimodale intelligentie · Zekerheid en autonomie · Veiligheid en toezicht tijdens runtime · Operationele intelligentie · Integratie en overdraagbaarheid.

Alles wat een doel nodig heeft: de context, het plan, de doorgespeelde opties, de beslissing, je regels en goedkeuringen, het werk in je tools, de controle van het resultaat, langlopend werk, herstel als er iets verandert, en leren van wat is geverifieerd. Ze werken als één systeem rond je doel, niet als losse tools die je aan elkaar moet knopen.

Long Horizon is hoe MS Duplex langlopend werk naar zijn doel brengt. Werk dat dagen of weken duurt, blijft één klus, met zijn doel, plan, regels en voortgang. Elke stap controleert waar die op steunt voordat die draait, het plan wordt herzien als de feiten veranderen, uitzonderingen gaan naar de mensen die jij kiest, alleen geverifieerde stappen tellen als voortgang, en na een pauze of een overdracht wordt het werk opgepakt waar het stopte.

Skill Fabric is hoe MS Duplex wat werkt omzet in vaardigheden waarop je hele organisatie kan vertrouwen. Een vaardigheid wordt gemaakt van geverifieerd werk, kan worden geopend en ingezien, wordt na goedkeuring gedeeld met andere teams, wordt gevolgd tijdens gebruik en uitgefaseerd als ze niets meer oplevert, en blijft van jou als je van model wisselt.

Nee. Die slaan op wat er gebeurde en vinden wat erop lijkt. MS Duplex leert tijdens runtime van ervaring: het begrijpt het patroon achter elk resultaat, comprimeert het tot wat breed toepasbaar is, voorspelt wat er volgt en handelt ernaar, binnen jouw regels. Zo onderscheidt het dubbelgangers, volgt het een gewijzigde regel vanaf het volgende verzoek en wordt het sneller door gebruik. Ze worden zijn tools.

Tijdens runtime staat je AI-model er alleen voor: per aanroep gehuurd begint het elke taak vanaf nul, kan het niet leren van wat je team bevestigt, verliest het context tussen sessies, en controleert niets wat je agents doen voordat ze handelen. MS Duplex koppelt het aan een ACI-model dat binnen jouw regels leert, plant, simuleert, beslist en handelt. Het werk wordt sneller en goedkoper door gebruik, en wat MS Duplex leert, is van jou.

Je AI blijft op zijn plek, en MS Duplex zet er een ACI-model naast. MS Duplex handelt in milliseconden naar wat het heeft geleerd, en haalt je AI erbij voor nieuw of onzeker werk, met dat geleerde erbij. Van elk bevestigd resultaat leert MS Duplex voor de volgende keer.

Twee intelligenties die samen verschillende taken doen, zoals het brein dat doet: een langzame voor algemene kennis en een snelle voor elke nieuwe ervaring. Je AI is de langzame, geleerd vóór de inzet. Een ACI-model is de snelle: het leert van live werk en plant, simuleert, beslist en handelt ernaar. Samen zijn ze MS Duplex.

Deels: MS Duplex is je AI-model en een ACI-model die als één werken. Het ACI-model is een tweede intelligentie op zich, en het vervangt je AI nooit. Een bevestigde beslissing kan in milliseconden draaien zonder modelaanroep. Nieuw of onzeker werk gaat naar je AI, met het geleerde van MS Duplex erbij, en MS Duplex leert van het bevestigde resultaat voor het volgende verzoek.

Runtime-intelligentie: je AI-model en een ACI-model die als één werken, en binnen jouw regels leren, plannen, simuleren, beslissen en handelen terwijl het werk gebeurt. Wat het leert, is van jou. Twee intelligenties, één systeem: de combinatie is het product.

Overal waar je AI echt werk doet: code- en desktopassistenten, agents voor support en bedrijfsvoering, enterprise-workflows, AI-producten met hoog volume, teams die modellen aanpassen en gereguleerd werk. Het is het nuttigst waar resultaten bevestigd kunnen worden, omdat MS Duplex elke bevestigde correctie, beslissing of uitkomst toepast op het volgende verzoek waar die bij past.

Ze worden de tools van MS Duplex. MS Duplex roept elk ervan aan wanneer een stap dat nodig heeft, leert welke bij welke situatie past en controleert of wat ze teruggeven actueel is, een bron heeft en een datum.

ACI, Adaptive Continual Intelligence, is een nieuwe categorie intelligentie, gecreëerd door MatterSpace. Het blijft leren, plannen, simuleren, beslissen en handelen terwijl je werk gebeurt, hand in hand met de AI-modellen die je al gebruikt. MS Duplex koppelt het aan je AI-model, MS Reflex aan je autonomiestack.

AI-modellen leren voordat ze worden uitgebracht, en blijven daarna zoals ze zijn. ACI leert, plant, simuleert, beslist en handelt erna: tijdens runtime, uit je werk, zolang het draait. Het leert je werk in plaats van de wereld, bouwt voort op alles wat het eerder leerde, en wat het leert, is van jou: een categorie op zich.

Hand in hand. Het model brengt algemene intelligentie: kennis, taal en redeneren. ACI brengt wat het van je werk leert. Het handelt af wat het al kent, en haalt het model erbij, gebriefd, voor wat nieuw is. Het model blijft zoals het is, en je kunt van model wisselen zonder te verliezen wat ACI leerde.

Voor je AI: ACI leert meteen van één bevestigd resultaat, volgt een nieuwe regel vanaf het volgende verzoek, handelt gevallen af die het nooit zag, verwerft skills en wordt sneller en goedkoper door gebruik. Voor je machines: het leert uit één voorbeeld, plant, simuleert en beslist op het apparaat, en houdt elk commando aan jouw regels, met of zonder verbinding. Hoe dan ook: wat het leert, is van jou.

Tot nu toe konden alleen de labs die modellen trainen AI laten leren. Met ACI heeft elke persoon en elk bedrijf AI die leert van het eigen werk, en bezit ieder wat die AI leert. Het geleerde groeit met elk resultaat aan en blijft waar jij kiest, in de cloud of op de machine, welk model of welke stack je ook draait.

Beide zijn gebouwd op ACI, en ACI is de intelligentie in elk. Gekoppeld aan je AI-model is het MS Duplex, in de assistenten van je team en de agents die je bedrijf bouwt. Gekoppeld aan je autonomiestack is het MS Reflex, op elke machine die zelf beslist en handelt.

ACI is het resultaat van jaren onderzoek naar neurale netwerken en hun trilemma: plasticiteit, stabiliteit en bewerkbaarheid. Plasticiteit is snel het nieuwe leren. Stabiliteit is behouden wat het weet. Bewerkbaarheid is aanpassen wat het leerde. Een neuraal netwerk haalt er hooguit twee: laat het snel leren en het vergeet, houd het stabiel en het stopt met leren, en wat het leerde, zit door het hele netwerk verspreid. ACI verenigt alle drie.

Faruk Guney bouwde ACI, MS Duplex en MS Reflex in zijn eentje, na jaren onderzoek naar het trilemma van neurale netwerken en ruim vijftien jaar waarin hij Norck uitbouwde tot een wereldwijd on-demand productie- en engineeringbedrijf.

Van resultaten die laten zien dat het werk klopte: een geslaagde test, een goedgekeurde review, een waargenomen verandering of een latere zakelijke uitkomst. Het kan ook vooraf getraind worden op beoordeelde voorbeelden, eerdere beslissingen, documenten, regels en toolroutes.

Ja. Train MS Duplex vooraf op je beoordeelde voorbeelden, eerdere beslissingen, documenten, regels, toolroutes en bibliotheken met bewezen methoden. Het leert ze voordat het live gaat, dus het is nuttig vanaf het eerste verzoek, en het blijft leren in productie.

Je team bepaalt de norm voor elk soort werk. Code heeft misschien tests en een review nodig, terwijl een gereguleerde actie de goedkeuring van een persoon kan vereisen.

Een correctie hoort bij de werkruimte waarin ze werd gemaakt, en helpt later werk dat erbij past. Bevoegde gebruikers kunnen alles wat MS Duplex heeft geleerd beoordelen, corrigeren of verwijderen.

Ja. MS Duplex leert het patroon, dus het kan omgaan met nieuwe formuleringen en nieuwe details, en het herkent een dubbelganger die een ander antwoord nodig heeft. Bij misleidende dubbelgangers zat het er in 7.5% van de gevallen naast, tegenover 45.3% bij een cache.*

De nieuwe regel geldt vanaf het volgende verzoek. MS Duplex vervangt de achterhaalde beslissing en laat werk dat er niets mee te maken heeft ongemoeid. Na een beleidswijziging gaf het 0% verouderde antwoorden, tegenover 72% bij cache en retrieval.*

Continu leren, tijdens runtime. MS Duplex leert van elk resultaat zodra het is bevestigd, dus het volgende verzoek profiteert al, zonder trainingsrun en zonder GPU. Bij een wijziging blijft 100% van zijn eerdere werk intact.*

Gewoon gebruik is de training: MS Duplex leert van elk bevestigd resultaat en past het toe vanaf het volgende verzoek. Vooraf trainen geeft het een voorsprong, en de gewichten van je AI blijven zoals ze zijn.

Voor werk dat nieuw, breed of creatief is, en alles waarvoor nieuwe tekst of nieuw redeneerwerk nodig is. MS Duplex bereidt precies voor wat je AI krijgt, met wat het heeft geleerd erbij. Een beslissing die MS Duplex heeft geleerd, heeft geen modelaanroep nodig.

Als MS Duplex vooraf op dat soort werk is getraind, antwoordt het vanaf het begin. Anders neemt je AI het op, met de kennis van MS Duplex erbij, en zodra het resultaat bevestigd is, handelt MS Duplex het de volgende keer af.

Je AI, telkens als het werk nieuwe tekst of open redeneerwerk vraagt, met wat MS Duplex heeft geleerd erbij. Als MS Duplex het werk heeft geleerd, antwoordt het zelf.

Alles wat MS Duplex heeft geleerd, leeft naast je AI, dus het gaat met je mee naar het nieuwe model. In de aanpassingstest ging wat MS Duplex leerde over naar een andere modelfamilie, helemaal zonder hertraining.

Nee, juist het omgekeerde. Wat je organisatie leert, zit in MS Duplex, niet in de gewichten van één leverancier, in één chattranscript of in het geheugen van één app. Wissel van model, agentclient of aanbieder, en de processen, regels, geschiedenis en skills blijven.

Ja. Je omgeving en instellingen bepalen welk model beschikbaar is en waar elk verzoek naartoe gaat.

Gewone cloudservers, op CPU. MS Duplex heeft geen eigen GPU nodig: een beslissing die het heeft geleerd, duurt ≈97 ms, tegenover ≈2,231 ms voor een modelaanroep. Alleen je AI heeft accelerators nodig, en MS Duplex haalt hem erbij voor nieuw werk.*

Het doel, genomen beslissingen, randvoorwaarden en onafgemaakt werk lopen door binnen dezelfde klant en werkruimte. Werk dat er niets mee te maken heeft en toegangsgegevens blijven achter.

Wat je nodig hebt om verder te gaan: doelen, beslissingen en onafgemaakt werk. Het volledige transcript blijft waar het was, en de toegangsregels van je team blijven gelden.

Ja, als de koppelingen bij dezelfde klant en een toegestane werkruimte horen. Grenzen van identiteit, werkruimte en klant blijven van kracht.

Ja, als beide personen bevoegd zijn voor de gedeelde werkruimte. Persoonlijk of afgeschermd werk blijft gescheiden, volgens je toegangsinstellingen.

Context helpt je onafgemaakt werk voort te zetten, en kan tijdelijk zijn. Wat MS Duplex leert, komt uit bevestigde resultaten, en helpt elke keer dat het past.

Het past bevestigde correcties toe, werkt beslissingen bij als een regel verandert, neemt lopend werk mee, plant processen met meerdere stappen, gebruikt je tools en vermindert modelaanroepen bij werk dat het heeft geleerd.

Ja. MS Duplex leert hoe je processen reageren, plant de kortste route en neemt randvoorwaarden en bevestigde methoden mee over stappen en sessies heen. Je AI brengt nieuw denkwerk in bij elke onverwachte wending.

Ja. Het leert wat acties in je systemen veranderen, voorspelt het effect van een stap voordat die wordt uitgevoerd en stelt de kortste route naar een doel voor. Op een openbare enterprise-benchmark versloeg het drie frontiermodellen in het voorspellen van systeemwijzigingen. Elke echte stap loopt nog steeds via jouw controles.

Ja, zodra je team het aanzet: geef het een doel, de acties die het mag nemen en een manier om succes te controleren. Het verkent veilig, test de vaardigheid vóór gebruik en verwijdert die op verzoek. Het voltooide elke taak met het model uitgeschakeld.

Ja. MS Duplex laat je model antwoorden alsof het op je werk getraind is, en de gewichten van het model blijven zoals ze zijn. Het versloeg gefinetunede adapters in 6 / 6 tests, zonder trainingsrun, en de aanpassing ging zonder hertraining over naar een andere modelfamilie.*

Ja. Voor goed afgebakende taken schrijft MS Duplex een klein programma of hergebruikt het er een dat al heeft gewerkt, test het op bekende gevallen en voert het uit zodra het die doorstaat. Je team kan het op elk moment pauzeren of buiten gebruik stellen.

Ja. Documenten, kennisgrafen en databases worden de kennisbronnen van MS Duplex, elk met eigenaar, bron en datum. MS Duplex weet wanneer een feit verandert, en brengt de juiste feiten in bij elke beslissing.

Ja. MS Duplex kan goedgekeurde lessen en context delen met elke agent in de gekozen werkruimte. Bij alles wat het leerde, zie je van welke agent het kwam, met welk model, en wanneer. Wat MS Duplex voor een klant leert, blijft bij die klant.

Je team bepaalt waarvan MS Duplex leert, beoordeelt wat het leerde en kan daar alles van corrigeren of verwijderen. Jouw regels, goedkeuringen en controles gelden voor elke actie.

De vier plugins zijn Claude, Codex, Cursor en Hermes. Teams die hun eigen agents bouwen, koppelen die via MCP + hooks.

Vandaag zijn er vier plugins beschikbaar. Als je team de agent zelf bouwt en draait, past MCP + hooks misschien; laat ons voor elke andere assistent weten welke je gebruikt.

Voor de agents die je bedrijf bouwt. Ze maken via MCP verbinding met MS Duplex, en de hooks halen MS Duplex bij elke stap erbij: vóór elk verzoek, vóór elke toolaanroep en na elk resultaat. Elke actie wordt aan je regels getoetst voordat die wordt uitgevoerd, met goedkeuringen waar jij ze wilt en één geschiedenis die je kunt exporteren.

Een plugin brengt MS Duplex via MCP in een ondersteunde assistent, en bouwt je persoonlijke intelligentie op. MCP + hooks brengt het in elke stap van de agents die je bedrijf bouwt, en bouwt je bedrijfsintelligentie op. In beide is het hetzelfde MS Duplex.

Vóór elk verzoek, vóór elke modelaanroep, vóór elke toolaanroep, na elk resultaat, bij elke overdracht en bij elke goedkeuring. MS Duplex past eerst je regels toe, dan wat het heeft geleerd, en elke actie wordt gecontroleerd voordat die wordt uitgevoerd.

Een plugin, als mensen in een ondersteunde assistent werken. MCP + hooks, als je bedrijf zijn eigen agents bouwt en MS Duplex bij elke stap moet meedoen.

Ja. Gekoppeld aan dezelfde werkruimte delen ze dezelfde goedgekeurde lessen en context. De toegang blijft beperkt tot de mensen en agents die je machtigt.

Een plugin of MCP + hooks, wie deelt in wat MS Duplex leert, en, als je wilt, de voorbeelden, beslissingen en documenten om het vooraf op te trainen. Daarna de omgeving en de toegangsregels die bij het werk passen.

Met een ondersteunde plug-in blijven mensen werken in de assistent die ze al gebruiken. Het team bevestigt goede uitkomsten en corrigeert slechte, en goedkeuringsstappen hangen af van het product en de werkruimte.

Vanaf het eerste verzoek, als je het vooraf traint. Een bevestigde correctie helpt vanaf het volgende passende geval, en elk bevestigd resultaat maakt MS Duplex sneller, goedkoper en nauwkeuriger.

Ja, dat is vooraf trainen. Beoordeelde voorbeelden, eerdere beslissingen, documenten en regels zorgen voor een sterke start. Je team plaatst elk ervan in de juiste werkruimte en kan het later corrigeren of verwijderen.

Ja. In de console kunnen bevoegde gebruikers alles wat MS Duplex leerde beoordelen, corrigeren of verwijderen, en de geschiedenis erachter zien. De precieze mogelijkheden hangen af van het product en de implementatie.

Nee. Jij bepaalt wat ertoe doet: de doelen, de regels en de acties die jouw akkoord nodig hebben. MS Duplex handelt het routinewerk af binnen die regels en houdt elke agent eraan. Het controleert elke modelaanroep en toolactie voordat die draait, en neemt wat je team heeft goedgekeurd mee naar elke sessie.

Ja. Je kunt smallere werkruimtes inrichten, en identiteits- en toegangsinstellingen bepalen wie elke werkruimte deelt. Al dat geleerde blijft binnen je organisatie.

MS Duplex heeft twee omgevingen: MatterSpace Cloud, die MatterSpace voor je beheert, en jouw cloud, een cloudaccount van jezelf. Jouw cloud is een enterprise-oplossing. Elke integratie is in beide beschikbaar, onder de voorwaarden van de implementatie.

Als enterprise-oplossing. Neem contact op via hello@matterspace.ai en vermeld je technische omgeving, waar gegevens moeten blijven en je beveiligingseisen, dan plannen we de implementatie samen met je.

Ja. Er is een ondersteunde route tussen omgevingen, en wat MS Duplex leerde gaat mee zonder hertraining. Verantwoordelijkheden voor het beheer en het migratiewerk worden per implementatie afgesproken.

Ja. Een implementatie kan je eigen modeltoegang gebruiken. Kosten van de modelprovider, toegangsgegevens en de grens die ze creëren, worden apart geregeld en vastgelegd in de offerte en de overeenkomst.

Ja. Je invoer, referentiemateriaal, geschiedenis en alles wat MS Duplex daarvan leert, dienen alleen je eigen organisatie. Werkruimtes kunnen smallere grenzen toevoegen voor teams, producten, regio’s of gegevensklassen.

Ja. Over zes families van geparafraseerde aanvallen hield het ze allemaal tegen, met 0.7% onterechte weigeringen, het laagste van alle aanpakken die ze allemaal tegenhielden.*

Jij kiest wie bevoegd is, in elke omgeving. MatterSpace beheert de gehoste dienst, en heeft alleen toegang tot een implementatie in jouw cloud als je die toegang delegeert voor een afgesproken doel.

Je team logt in op de console via je eigen identiteitsprovider, verkeer is onderweg versleuteld, en wat MS Duplex leert en de geschiedenis zijn versleuteld in opslag. De mogelijkheden om je eigen sleutels te beheren hangen af van de omgeving.

Ja. Bevoegde gebruikers kunnen alles wat MS Duplex leerde verwijderen, een eerdere versie terugzetten, en wat het leerde exporteren met de geschiedenis erbij. Het verwijder- en back-upproces voor je implementatie komt aan bod in de beveiligingsreview en de overeenkomst.

Ja. Verwijder een resultaat of een waarneming, en wat MS Duplex ervan leerde, wordt mee ingetrokken, zodat niets wat erop gebouwd is, achterblijft. De geschiedenis laat de wijziging zien.

Alleen wat jij toestaat. Persoonsgegevens kunnen worden weggelakt voordat MS Duplex ervan leert, ze naar een model stuurt of ze aan de geschiedenis toevoegt, en MS Duplex kan wat het leerde toepassen zonder de oorspronkelijke tekst.

Er kan alleen iets aan worden toegevoegd, en geknoei valt op: elke wijziging komt erbij als nieuwe regel, dus een gewijzigde regel zou zichtbaar zijn. Bevoegde gebruikers kunnen de geschiedenis exporteren.

Bevoegde gebruikers kunnen de invloed ervan verwijderen, en wat los daarvan is geleerd, blijft zoals het was. Na opzettelijke vergiftiging verwijderde MS Duplex alle 40 vergiftigde samples, en het legitiem geleerde bleef intact.

De bewaartermijn wordt per implementatie vastgesteld. Die hangt af van de gegevens, de omgeving, je configuratie, de back-upopzet en de toepasselijke overeenkomst.

MS Duplex draait in besloten pilots, en onafhankelijke certificering is gepland. Tot die tijd beschrijft het beveiligingsoverzicht de maatregelen die vandaag gelden voor de omgeving die je beoordeelt.

De providers die voor je implementatie worden gebruikt, en eventuele voorwaarden voor subverwerkers, staan in je klantdocumenten. In jouw cloud kies je ze zelf.

11 resultaten over kosten, nauwkeurigheid, continu leren, generalisatie, planning, agents, beveiliging, nieuwe vaardigheden en aanpassing, waaronder drie openbare benchmarks.

Een cache herhaalt een eerder antwoord als een verzoek erop lijkt. MS Duplex leert het patroon achter bevestigde resultaten, volgt regelwijzigingen vanaf het volgende verzoek en herkent dubbelgangers, en het kan je cache nog steeds als tool aanroepen. Na een regelwijziging behield MS Duplex 92.5% nauwkeurigheid, waar een cache terugviel tot 42.6%.*

Houd het: retrieval wordt een van de tools van MS Duplex. MS Duplex roept het aan wanneer een stap een passage nodig heeft, leert welke bronnen welke vragen beantwoorden en weet wanneer een feit is veranderd.

Je kennisgraaf wordt een kennisbron voor MS Duplex. MS Duplex leest gekoppelde feiten wanneer een beslissing ze nodig heeft, weet wanneer ze veranderen en leert welke verbanden ertoe doen voor je werk.

Ja. Gefinetunede en gespecialiseerde modellen worden tools waar MS Duplex werk naartoe stuurt, en MS Duplex kan je trainingsteam bevestigde voorbeelden aanreiken als je wilt trainen. Alles wat MS Duplex leert, blijft werken naast de nieuwe gewichten.

Ze worden onderdeel van hoe MS Duplex handelt. MS Duplex voert elke model- en toolaanroep uit binnen jouw regels, en je guardrails en firewalls blijven hun eigen regels handhaven.

Een AI-gateway routeert aanroepen en rapporteert gebruik. MS Duplex is een intelligentie: het leert van elk bevestigd resultaat, plant, simuleert, beslist en handelt ernaar, en via MCP + hooks doet het mee bij elke stap van de agents die je bedrijf bouwt, met gedeeld leren, continuïteit, goedkeuringen en één geschiedenis.

Ernaast. Observability laat zien wat je agents deden en evals testen dat; MS Duplex leert van wat je team bevestigt, zodat een correctie geldt vanaf het volgende passende verzoek. Je traces en evalsuites blijven gewoon werken zoals ze zijn.

MS Reflex is de runtime voor elke machine die zelf beslist en handelt, van edge-apparaten tot robots. Het koppelt je autonomiestack aan een ACI-model, op het apparaat: elk commando passeert de poort, en het leert, plant, simuleert, beslist en handelt binnen jouw regels, met of zonder verbinding.

Vijf invarianten, op elke machine, wat haar ook aanstuurt. Elk commando dat handelt, passeert de poort. Veiligheidsregels worden alleen losser door een geautoriseerde, vastgelegde handeling. Elke wijziging is herleidbaar en omkeerbaar. Leren blijft op het apparaat, begrensd, zonder netwerk. “Onbekend” betekent voorleggen, niet gokken.

Wat je machine vandaag ook aanstuurt: een VLA, een MPC, een autopiloot, een PLC-programma of een AI-agent. Het blijft precies zoals het is. Je autonomiestack en een ACI-model die als één werken: dat is MS Reflex. De combinatie is het product.

Allebei. Edge-apparaten en robots: twee vormen, één runtime. Edge-apparaten zijn de controllers, gateways en slimme camera’s in fabrieken, op locaties en buiten in het veld. Robots zijn de armen, mobiele robots, drones, voertuigen en schepen op land, in de lucht, op zee en onder water, en de ruimtevaartuigen in een baan om de aarde.

Het beslist op het moment zelf, op het apparaat: wat het doet, welke vaardigheid het inzet en wanneer het een beslissing voorlegt. Het beslist of elk commando de poort mag passeren, en of het genoeg weet om te handelen.

Ja. Het simuleert elke beweging op het apparaat voordat het die maakt, en ziet wat een commando zal doen voordat je machine het uitvoert. Een beweging die mis zou gaan, wordt op het apparaat aangepast, voordat er iets beweegt, en de beweging die het maakt, passeert nog steeds de poort.

Elk commando dat handelt, passeert de poort. Voordat er iets beweegt, schakelt, opent of verzendt, toetst MS Reflex het aan jouw regels, en wat die toets niet doorstaat, draait niet. Hij geldt voor elk commando, wat de machine ook aanstuurt, en elke beslissing bij de poort wordt vastgelegd.

“Onbekend” betekent voorleggen, niet gokken. Als het iets tegenkomt wat het niet kent, legt het de beslissing voor aan je stack of je operator. Het gokt nooit. Van elke voorgelegde beslissing leert het: wat je stack of je operator daarna deed, wordt iets wat het weet, voor de volgende keer.

Het leert snel en ter plekke, op het apparaat: één voorbeeld of één voorgelegde beslissing is genoeg, en de les werkt door in gevallen die erop lijken. Het is gericht leren, geen algemeen leren, binnen de grenzen die jij stelt, zonder netwerk en zonder trainingsrun. Je stack blijft zoals hij is, en elke les wordt vastgelegd.

Nee. Leren maakt een regel nooit losser, en tijd ook niet. Een regel losser maken vraagt een geautoriseerde handeling, en die handeling wordt vastgelegd. Een regel toevoegen of aanscherpen geldt vanaf het volgende commando, ook terwijl de machine draait.

Ja. Elke wijziging aan een regel, een grens of wat het heeft geleerd, toont wie of wat haar maakte, en wanneer. Een les kan los van de rest worden teruggenomen, of een machine teruggezet naar een punt dat je hebt opgeslagen, en ook dat wordt vastgelegd. Als een les ooit niet precies kan worden teruggenomen, zegt MS Reflex dat, in plaats van te doen alsof.

Nee. Het draait op de processoren die je machines al hebben, op CPU, zonder GPU en zonder cloud. Het leert, plant, simuleert, beslist en handelt met of zonder verbinding: het werkt offline en air-gapped, belt nooit naar huis, en ook de licentie werkt offline.

Ja. Elke machine draait MS Reflex op het apparaat en beslist zelf, met of zonder verbinding. In een vloot houdt elke machine haar eigen regels, en vaardigheden gaan alleen tussen ze over als jij dat kiest. Een vaardigheid die op één machine is geleerd, kan daarna naar andere machines die erop lijken.

Nee. MS Reflex beslist wat de machine hierna doet en houdt elk commando bij de poort aan jouw regels. Het zit boven je gecertificeerde veiligheidscontrollers, vergrendelingen en noodstoppen, nooit in hun plaats: die blijven er onafhankelijk van en houden het laatste woord, en je team houdt het veiligheidsdossier van elke machine in eigen hand, zoals nu.

Voor beide, op dezelfde manier, met dezelfde vijf invarianten op elke machine. Het werkt zonder verbinding, niets hoeft de machine te verlaten, en elke beslissing wordt vastgelegd. Bij defensie geldt dat voor kinetische en niet-kinetische missies op dezelfde manier: elk commando passeert de poort, binnen jouw geweldsinstructies.

MS Reflex is in bèta. Wat het tot nu toe heeft laten zien, komt uit simulatie en benchmarks, en we bewijzen het samen met je, op je machines, in een pilot. Elke pilot plannen we samen met je, achter je eigen veiligheidssystemen.

Het zijn aparte producten, allebei gebouwd op ACI, Adaptive Continual Intelligence. MS Duplex koppelt een ACI-model aan je AI-model, voor je AI en je agents. MS Reflex koppelt er een aan je autonomiestack, voor elke machine die zelf beslist en handelt.

Het product, het verwachte gebruik, de teamgrootte, de omgeving en eventuele toegewezen capaciteit. Prijzen krijg je schriftelijk, met de aannames erachter.

MS Duplex en MS Reflex zijn producten van Vareon, Inc., het bedrijf achter matterspace.ai.

Gebruik de contactpagina en noem het product, de omgeving en het soort werk dat je voor ogen hebt. Het team beantwoordt de vraag of wijst je de weg naar de pagina met de details.