Hopp til innholdet
Advancing Bits to Master Atoms
← Alle innlegg

MS Duplex9 min lesetid

Skill et funn fra en anelse før neste kostbare kjøring.

Hvordan MS Duplex holder årsak og virkning loggført, spiller alternativene fremover før regnekraft eller labtid brukes, og overlater avgjørelsene den ikke kan ta, til modellen din eller en forsker.

En lupe i satinert sølv på et stativ i grafitt, holdt over en liten koboltblå blokk på stativets trinnformede sokkel i grafitt.En lupe i satinert sølv på et stativ i grafitt, holdt over en liten koboltblå blokk på stativets trinnformede sokkel i grafitt.

Hvert forskningsteam kjenner forskjellen mellom et resultat det kan bygge videre på, og et resultat det fikk én gang. Det første er bekreftet under kjente betingelser og holder når noen kontrollerer det. Det andre kan være en tilfeldighet. Folk som har jobbet med et prosjekt en stund, bærer den forskjellen i hodet. En KI-agent gjør det i utgangspunktet ikke: den anbefaler neste steg med den samme selvsikre stemmen, enten steget bygger på mange bekreftede kjøringer eller på én heldig ettermiddag.

Det gapet koster penger. En innstilling som tilfeldigvis kom før en suksess, blir gjentatt. Et alternativ teamet allerede har utelukket, blir foreslått igjen. Et tilfelle som ikke ligner noe teamet har sett, blir behandlet som rutine, og en dyr kjøring går i feil retning. Dette innlegget ser på tre funksjoner i MS Duplex som sammen lukker gapet: læring av årsak og virkning, simulering før handling og beslutninger som kjenner sine grenser.

Behold begrunnelsen sammen med resultatet

Et resultat alene sier hva som skjedde. Det sier ikke hvorfor. Si at to kjøringer når målet, og begge brukte de samme to innstillingene. En KI som bare tar vare på utfall, har ingen måte å se hvilken innstilling som betydde noe, så den anbefaler begge, og en tilfeldighet begynner å oppføre seg som en regel.

MS Duplex tar vare på sammenhengen mellom det som ble gjort, betingelsene det ble gjort under og det som skjedde etterpå, med belegget bak hver del. Etter hvert som flere bekreftede kjøringer kommer inn, blir bildet skarpere. Kanskje fører den ene innstillingen til målet under teamets vanlige betingelser, mens den andre ikke gjorde noen forskjell. Den første blir en etablert sammenheng. Den andre legges til side, og neste anbefaling slutter å lene seg på den.

Det som endrer et teams hverdag, er merkingen. Hver anbefaling viser om sammenhengen bak den er etablert eller ennå ikke etablert, og for hvilke betingelser. Når en forsker spør om en betingelse teamet ikke har testet, anbefaler MS Duplex den etablerte innstillingen og sier at sammenhengen ikke er etablert der. Forskeren ser en anelse merket som en anelse.

Hver anbefaling har med seg det en kollega trenger for å kontrollere den:

  • Handlingen som anbefales, og de bekreftede utfallene den førte til
  • Betingelsene disse utfallene ble bekreftet under
  • Om sammenhengen er etablert for de nåværende betingelsene, eller ennå ikke
  • Kildene bak den, så en annen forsker kan gjenskape anbefalingen

Dette gjør det ukjente om til en plan. Sammenhengene som betyr mest og ennå ikke er etablert, er der neste eksperiment gjør mest nytte. Et team kan kjøre det utestede tilfellet som en bevisst test, og det bekreftede resultatet utvider enten sammenhengen til den nye betingelsen eller markerer hvor den slutter å holde. Uansett gjenspeiler neste anbefaling det.

En forgrenet linje av stående grafittbrikker på en mørk sokkel, med en koboltblå brikke i starten og én sti av veltede sølvbrikker som fører inn i én enkelt gren.En forgrenet linje av stående grafittbrikker på en mørk sokkel, med en koboltblå brikke i starten og én sti av veltede sølvbrikker som fører inn i én enkelt gren.
En forgrenet rekke av stående grafittbrikker, en koboltblå brikke i starten og én sti av veltede sølvbrikker som fører inn i én enkelt gren: én handling fulgt hele veien til utfallet den førte til, mens de andre grenene blir stående.

Spill alternativene fremover før budsjettet er brukt

De fleste forskningsbudsjetter brukes ett valg om gangen: en lang simulering på delt regnekraft, et eksperiment som bruker knapt materiale eller instrumenttid, en designgjennomgang som tar en ekspert bort fra annet arbeid. Hvert av dem er bare verdt å kjøre hvis det kan føre arbeidet mot målet. Med et fast budsjett er hver blindvei én kjøring mindre for et alternativ som kunne ha fungert.

Før et kostbart steg veier MS Duplex det sannsynlige utfallet av hvert alternativ mot målet, ut fra det teamet ditt allerede har bekreftet: resultatene, betingelsene de holder under, korreksjonene ekspertene dine gjorde, og kjøringene som feilet. Alternativer som ikke kan nå målet, eller som allerede har feilet under de samme betingelsene, legges til side før noe brukes på dem. Simulatorene, instrumentene og analysekoden din produserer fortsatt resultatene. MS Duplex hjelper med å avgjøre hvilke kjøringer som er verdt å gjøre.

Si at et team har budsjett til tre lange kjøringer denne runden og ni kandidatdesign på listen. Én runde kan forløpe slik:

  1. Listen kommer innAgenten foreslår ni design for runden, hvert med innstillingene det ville kjørt under.
  2. Hvert av dem veiesMS Duplex spiller hvert design fremover mot målet, ut fra teamets bekreftede resultater og betingelsene de holder under.
  3. Blindveier legges til sideTo design gjentar en kombinasjon som allerede har feilet under de samme betingelsene, og ett avhenger av en innstilling en ekspert korrigerte tidligere i prosjektet. Hvert av dem legges til side med begrunnelsen.
  4. Tynt belegg flaggesFor to design til gir teamets erfaring ennå ikke grunn til å foretrekke det ene fremfor det andre. Det valget går til modellen eller til teamlederen, med en merknad om hva som mangler.
  5. Tre kjøringer settes i gangDe mest lovende designene kjøres gjennom teamets egne verktøy. I et styrt miljø kan en kjøring over teamets kostnadsgrense vente på godkjenning fra en person først.
  6. Neste runde starter lenger fremmeResultatene bekreftes, resonnementet bak hver kjøring og hvert design som ble lagt til side, blir liggende i loggen, og neste runde starter fra det denne runden viste.

Loggen betyr like mye som valget. En leder som godkjenner en kostbar kjøring, kan se hvorfor den ble valgt fremfor alternativene. En forsker som kommer inn i prosjektet senere, kan se hvorfor et design som så lovende ut, ble lagt til side, og om begrunnelsen fortsatt holder.

Avgjør det som er kjent, send videre det som ikke er det

Mye av et forskningsteams KI-arbeid er den samme beslutningen tatt igjen og igjen: hvilken innstilling som passer en velkjent analyse, om en kandidat består en kjent screening, hvilken metode som passer et standardtilfelle. Å sende hver av dem gjennom en modell koster kall og tid, og svaret kan variere mellom kjøringer selv når tilfellet er det samme.

Der en metode teamet ditt har bekreftet, tydelig gjelder, under samsvarende betingelser, tar MS Duplex beslutningen direkte og konsekvent, ofte helt uten modellkall. Hver beslutning peker til metoden og belegget bak den. Der belegget er tynt, går beslutningen til modellen din, som resonnerer seg gjennom den, med en merknad om hva som mangler. Der tilfellet ikke ligner noe teamet ditt har bekreftet, flagges det for en forsker, med begrunnelsen.

Neste gang tilfellet dukker opp

En forskers beslutning i et flagget tilfelle læres med begrunnelsen. Når et lignende tilfelle kommer under de samme betingelsene, kan MS Duplex avgjøre det direkte, og eksperten slipper det samme spørsmålet. Hver bekreftede beslutning utvider settet av tilfeller teamet kan avgjøre uten å spørre, og overleveringene som gjenstår, er de som trenger en person.

  • −89%færre modellkall enn en modell finjustert for oppgaven, på gjentakende arbeid, i MatterSpaces kontrollerte tester

Det tallet kommer fra MatterSpaces kontrollerte tester på gjentakende arbeid, der beslutninger som en lært metode avgjør, ikke trenger noe modellkall. Det viser hvor besparelsene kommer fra: modellkostnadene går til tilfellene som trenger resonnering. En pilot måler hva den gjør på ditt eget arbeid.

En sorteringsport i satinert sølv på en ramme i grafitt, der sølvkuler faller rett ned gjennom midten mens koboltblå kuler ledes ned en sidesjakt.En sorteringsport i satinert sølv på en ramme i grafitt, der sølvkuler faller rett ned gjennom midten mens koboltblå kuler ledes ned en sidesjakt.
En sorteringsport i satinert sølv på en ramme i grafitt, der sølvkuler faller rett ned gjennom midten mens koboltblå kuler ledes ned en sidesjakt: rutinetilfeller går rett gjennom, og de uvanlige sendes til modellen eller personen som bør ta dem.

Hva som endres for dem som leder arbeidet

De tre funksjonene bygger på den samme loggen, så hver av dem styrker de andre. Det teamet lærer om årsak og virkning, er det hvert alternativ veies mot før et kostbart steg. Der belegget tydelig favoriserer ett alternativ, avgjøres valget direkte. Der det er tynt, går det til en person. Hvert utfall som kommer tilbake, legger til sammenhengene neste valg bygger på.

For en forskningsleder viser endringen seg på noen konkrete steder:

  • Anbefalinger som sier om de bygger på en etablert sammenheng eller på en antakelse.
  • Kostbare kjøringer valgt med alternativene og begrunnelsene loggført.
  • Eksperttid brukt på avgjørelsene som trenger en ekspert, hver med en merknad om hvorfor den ble sendt.
  • Rutinebeslutninger tatt konsekvent når det samme tilfellet dukker opp under de samme betingelsene.
  • Modellkostnader rettet mot tilfellene som trenger resonnering.

Hvis en sammenheng viser seg å være feil, kan teamet korrigere den eller fjerne den for seg. Fjern den, så forsvinner anbefalingene som var avhengige av den, mens alt annet forblir som det var.

Slik vurderer du den på dine egne beslutninger

Den rettferdige testen er arbeidet teamet ditt allerede gjentar. Velg gjentakende arbeidsflyter der beslutninger dukker opp igjen og igjen og der en feil eller unødvendig kjøring er dyr. Avtal målestokken med ekspertene dine før noe kjøres: kostnaden for hvert akseptert, reproduserbart resultat, og eksperttiden det krever. Kjør så samme modell, verktøy, data og budsjett med og uten MS Duplex, og la ekspertene dine gi resultatene poeng uten å vite hvilket oppsett som produserte dem.

For denne gruppen funksjoner bør du se nøye på de kostbare kjøringene som gikk til alternativer teamet allerede hadde utelukket, på om hver overlevering nådde riktig person med en nyttig begrunnelse, og på om en forsker kan gjenskape en anbefaling fra loggen uten hjelp.

Vanlige spørsmål

Hvordan vet MS Duplex at en sammenheng er etablert?

Den behandler en sammenheng mellom en handling og et utfall som etablert bare så langt teamets bekreftede resultater støtter det, og bare for betingelsene de ble bekreftet under. Utenfor disse betingelsene sier anbefalingen at sammenhengen ennå ikke er etablert.

Erstatter simulering før handling simulatorene våre?

Simulatorene, instrumentene og analysekoden din produserer fortsatt resultatene. Simulering før handling hjelper med å avgjøre hvilke kjøringer som er verdt å gjøre, ved å veie hvert alternativ mot målet og mot det teamet ditt allerede har bekreftet.

Hvem tar beslutningene MS Duplex ikke avgjør?

Tilfeller som trenger resonnering, går til modellen din, med en merknad om hvilket belegg som mangler. Tilfeller som ikke ligner noe teamet ditt har bekreftet, flagges for en forsker. Forskerens beslutning læres med begrunnelsen, så neste lignende tilfelle kan avgjøres direkte.

Kan en person fortsatt godkjenne en kostbar kjøring?

Ja. I styrte miljøer venter stegene teamet ditt velger, som en dyr simulering, på godkjenning fra en person før de starter, og godkjenningen loggføres med hvem som godkjente hva.

Bygget av MatterSpace

MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.

Les videre

La neste kjøring dra nytte av den forrige.

Kom til oss med forskningen KI-en din bør bli bedre på. Vi planlegger en pilot på dine egne arbeidsflyter, med ekspertene dine som dommere.