Hopp til innholdet
Advancing Bits to Master Atoms

Kontinuerlig læring.
KI-en din lærer av hvert bekreftede resultat.

Dagens modeller slutter å lære den dagen treningen deres avsluttes. MS Duplex holder KI-en forskerne og ingeniørene dine bruker, i gang med å lære mens arbeidet pågår.

Lære og forbedre · en av de fjorten funksjonene i MS Duplex

En stående sløyfe av bånd i satinert sølv på en sokkel i grafitt, med en voksende rad små koboltblå perler langs innerkanten.En stående sløyfe av bånd i satinert sølv på en sokkel i grafitt, med en voksende rad små koboltblå perler langs innerkanten.

Teamet ditt får

  • KI-en din holder tritt med forskningen din, hver dag den kjører
  • Ingen treningskjøringer, datasett å klargjøre eller akseleratorer å booke
  • Tidligere lærdommer forblir skarpe når nye kommer til

Hva kontinuerlig læring betyr for teamet ditt.

Kontinuerlig læring betyr at KI-en din fortsetter å lære etter at den er tatt i bruk, av arbeidet teamet ditt gjør. Hvert bekreftede utfall, hver ekspertkorreksjon og hver godkjente konklusjon blir erfaring som neste forespørsel kan bruke.

En modell kan ikke dette på egen hånd. Kunnskapen dens ligger fast når treningen avsluttes, og å lære den noe nytt betyr å klargjøre et datasett og kjøre en ny treningssyklus. MS Duplex lærer i stedet ved siden av modellen, med modellens vekter urørt, så en lærdom teamet ditt bekrefter i morges, gjelder i ettermiddag.

Å lære mer betyr ikke å glemme. En ny lærdom legges til det MS Duplex allerede har, og lar resten være som det var, så KI-en som lærte den nyeste metoden din, fortsatt kjenner betingelsene teamet ditt bekreftet for flere måneder siden.

Hvorfor forskning trenger KI som fortsetter å lære.

Vitenskapen går videre hver dag. En modell som er frosset ved slutten av treningen, havner lenger bak arbeidet ditt for hver uke den kjører.

I et forskningsteam er den mest verdifulle kunnskapen den nyeste: målingen som kom tilbake i går, korreksjonen en ekspert gjorde i morges, driftsgrensen noen bekreftet forrige uke. Ingenting av dette finnes i treningsdataene til noen modell, fordi det ikke fantes da modellen ble trent.

Uten kontinuerlig læring lever den kunnskapen i hodene til folk og i notater KI-en aldri leser ordentlig. Eksperter gjentar den samme korreksjonen, agenter foreslår det samme mislykkede steget igjen, og kjøringer som koster ekte regnekraft og laboratorietid, brukes på å gjenoppdage det teamet allerede visste.

  • Kunnskap som er dager gammel

    Resultatene som betyr mest for din neste beslutning, er dem ditt eget team har produsert sist.

  • Eksperttid er knapp

    En korreksjon som er gjort én gang, skal ikke måtte gjøres igjen av den samme eksperten i neste økt.

  • Kjøringer er dyre

    Hver gjentatt feil koster regnekraft, materialer eller instrumenttid som en lærende KI ville ha spart.

  • Fakta endrer seg

    En nyere måling erstatter en eldre. KI-en din må gå videre med den, ikke fortsette å sitere den gamle verdien.

Fire små moduler på en rund sokkel i grafitt, en grafittblokk, en sølvfarget måler, et sølvfarget brett og en koboltblå plate, forbundet i en ring av ett tynt koboltblått spor.Fire små moduler på en rund sokkel i grafitt, en grafittblokk, en sølvfarget måler, et sølvfarget brett og en koboltblå plate, forbundet i en ring av ett tynt koboltblått spor.

Slik fungerer kontinuerlig læring i teamets hverdag.

Teamet ditt fortsetter å jobbe slik det gjør i dag. MS Duplex lærer av utfallene du velger å fange opp, og henter dem frem der de passer.

  1. 1

    Agenten din jobber

    Den planlegger, kjører en simulering, analyserer data eller foreslår neste steg, med modellen og verktøyene teamet ditt allerede bruker.

  2. 2

    Resultatet bekreftes

    En test blir bestått, en måling kommer tilbake eller en ekspert godkjenner konklusjonen, eller korrigerer den og sier hvorfor.

  3. 3

    Lærdommen tas vare på

    MS Duplex registrerer det som ble lært, med belegget og betingelsene det gjelder under, klart fra neste forespørsel.

  4. 4

    Den brukes der den passer

    Neste tilsvarende tilfelle, i en hvilken som helst økt, agent eller modell, starter fra den lærdommen. Der betingelsene er annerledes, sier MS Duplex fra.

Et eksempel, innen ethvert fagfelt der en agent hjelper til med å avgjøre.

Agenten til et team anbefaler innstillinger for en tilbakevendende analyse. I løpet av én uke lærer den tre ting ingen måtte skrive ned to ganger.

  1. 1

    En korreksjon

    På mandag avviser en ekspert en anbefaling fordi den ignorerer en kjent grense for metoden, og registrerer begrunnelsen. Fra neste forespørsel sjekker agenten den grensen først.

  2. 2

    En bekreftelse

    På tirsdag bekrefter en måling et resultat agenten forutså. Tilnærmingen bak det blir agentens førstevalg for tilfeller med de samme betingelsene.

  3. 3

    Et endret faktum

    På torsdag erstatter en ny kalibrering en gammel referanseverdi. Hvert senere svar bruker den nye verdien, og historikken viser når og hvorfor den endret seg.

  4. 4

    Neste økt

    På fredag åpner en kollega en ny økt på en annen modell. Alle tre lærdommene er allerede der, hver med kilden sin.

Kontinuerlig læring gjør de andre funksjonene sterkere.

Det MS Duplex lærer kontinuerlig, er det resten av laget bygger på.

  • Selvforbedring

    Lærdommer som læres kontinuerlig, blir til bedre atferd: det som fungerte, prøves først, og det som feilet, slutter å bli foreslått.

  • Gjenbrukbare metoder

    En bekreftet prosedyre blir en metode agentene dine gjenbruker og tilpasser, i det øyeblikket den er bekreftet.

  • Forskningsminne på tvers av økter

    Hver ny økt starter fra alt som er lært så langt, ikke fra det modellen visste da treningen var over.

  • Opphav, gjennomgang og avlæring

    Hver lærdom beholder kilden sin, så hver enkelt kan gjennomgås, korrigeres eller fjernes uten å røre resten.

Dette får teamet ditt.

KI som holder tritt med forskningen din, med hver lærdom synlig og under din kontroll.

svar om et endret faktum ga den utdaterte verdien, i MatterSpaces kontrollerte tester
0 av 8 640
utdaterte svar etter at fakta endret seg: MS Duplex ved siden av standard gjenfinning, i de samme testene
0 % mot 57 %
  • Læring fra neste forespørsel

    Et bekreftet resultat eller en korreksjon gjelder fra neste forespørsel, uten noen treningssyklus å vente på.

  • Ingen treningskjøringer

    Ingen datasett å klargjøre, ingen akseleratorer å reservere og ingen ny modellversjon å validere etter hver lærdom.

  • Ingenting glemt

    En ny lærdom lar det som er lært før, være intakt, så eldre resultater forblir like nyttige som nyere.

  • Gjeldende fakta

    Når en verdi endres, gjelder den nyeste bekreftede, og historikken for endringen tas vare på.

  • Du velger hva som læres

    Teamet ditt avgjør hvilke utfall og korreksjoner som fanges opp, og kan gå gjennom hver lærdom.

  • Hvilken som helst modell

    Læringen ligger ved siden av modellen, så den fungerer med en generell modell, en finjustert modell eller neste versjon.

Vanlige spørsmål.

Endrer kontinuerlig læring modellen min?

Nei. Modellens vekter forblir som de er. MS Duplex lærer ved siden av modellen, og det er derfor en lærdom er klar fra neste forespørsel, og derfor erfaringen blir med når du bytter modell.

Hva lærer MS Duplex av?

Fra utfallene og korreksjonene teamet ditt velger å fange opp: en bestått test, en måling, en godkjent konklusjon, en eksperts korreksjon med begrunnelsen. Hver lærdom beholder kilden sin og betingelsene den gjelder under.

Vil nye lærdommer få den til å glemme eldre?

En ny lærdom legges til ved siden av det MS Duplex allerede har, og lar resten være som det var. Der et nyere bekreftet resultat erstatter et eldre, gjelder det nyere, og historikken tas vare på.

Hvordan skiller dette seg fra finjustering?

Finjustering endrer en modells vekter gjennom en treningskjøring på et klargjort datasett. Kontinuerlig læring i MS Duplex tar ett bekreftet resultat om gangen, bruker det fra neste forespørsel og holder hver lærdom redigerbar. I MatterSpaces kontrollerte tester kom MS Duplex bedre ut enn en modell finjustert for oppgaven, på gjentakende arbeid.

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.