Hopp til innholdet
Advancing Bits to Master Atoms

Selvforbedring.
Agentene dine blir bedre med hvert bekreftede utfall.

De fleste KI-agenter oppfører seg på sin hundrede oppgave slik de gjorde på den første. MS Duplex får agentene teamet ditt allerede bruker, til å bli bedre for hver arbeidsrunde.

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

En trapp av kvadratiske blokker på en sokkel i grafitt, grov grafitt nederst, finere satinert sølv høyere opp og en koboltblå blokk som øverste trinn.En trapp av kvadratiske blokker på en sokkel i grafitt, grov grafitt nederst, finere satinert sølv høyere opp og en koboltblå blokk som øverste trinn.

Teamet ditt får

  • Færre gjentatte feil og bortkastede kjøringer
  • Agenter som forbedrer seg på egen hånd mellom gjennomgangene
  • En logg over hver endring i atferd og årsaken til den

Hva selvforbedring betyr for teamet ditt.

Selvforbedring betyr at agentene dine endrer hvordan de arbeider, på grunn av det arbeidet ditt har bekreftet. En tilnærming som lyktes, flyttes fremst i listen. Et steg som feilet under visse betingelser, slutter å bli foreslått under disse betingelsene. Hver arbeidsrunde gjør at den neste starter lenger fremme.

Målestokken er dine egne utfall. MS Duplex vurderer hver endring i atferd ut fra resultatene testene, målingene og ekspertene dine bekrefter, og knytter den til utfallene som begrunnet den. Fordi dette belegget stadig kommer inn mens arbeidet pågår, forbedrer agentene dine seg på egen hånd mellom gjennomgangene.

Hver forbedring er loggført. For hver endring kan teamet ditt se hva agenten nå gjør annerledes, siden når, og hvilke utfall som begrunnet den. Når en leder spør hvorfor agenten oppfører seg bedre i dag enn den gjorde forrige måned, ligger svaret der, med kildene.

Hvorfor forskning trenger agenter som blir bedre med bruk.

Forskningsarbeid gjentar seg. De samme typene beslutninger kommer tilbake uke etter uke, og en agent som ikke lærer av dem, gjør de samme feilene til samme kostnad.

Mye av et forskningsteams KI-arbeid er gjentakende: rangere kandidater, velge innstillinger, planlegge neste parti med kjøringer, kontrollere en analyse. Hver runde gir belegg for hva som fungerte og hva som ikke gjorde det. En agent som blir bedre med bruk, gjør det belegget om til bedre atferd allerede i neste runde.

Uten selvforbedring må forbedringen komme fra mennesker. Eksperter går gjennom de samme typene resultater og retter de samme typene feil, prompter og notater blir lengre, og agenten forblir like god som sist noen redigerte instruksjonene dens. Teamets erfaring vokser, mens agentens blir stående der den var.

  • Gjentakende arbeid summerer seg

    En liten forbedring i en beslutning teamet ditt tar hver dag, er verdt mer enn en stor forbedring i en beslutning som tas én gang.

  • Bortkastede kjøringer koster

    Hver mislykket tilnærming en agent foreslår på nytt, bruker regnekraft, materialer eller instrumenttid en gang til.

  • Gjennomganger har grenser

    Eksperter kan ikke kontrollere hvert steg, så agenten må bli bedre mellom gjennomgangene deres så vel som under dem.

  • Ledere må se fremdriften

    En forbedring teamet ditt ikke kan spore tilbake til belegg, er vanskelig å stole på og enda vanskeligere å forsvare.

En rund måler i satinert sølv på et stativ i grafitt, med en koboltblå viser som peker høyt på en fint gravert skala.En rund måler i satinert sølv på et stativ i grafitt, med en koboltblå viser som peker høyt på en fint gravert skala.

Hvordan selvforbedring fungerer i teamets hverdag.

Agentene dine fortsetter å gjøre arbeidet. MS Duplex tar utfallene teamet ditt velger å fange opp, og gjør dem om til bedre atferd i neste runde.

  1. 1

    Agenten foreslår

    Den anbefaler en tilnærming, en innstilling eller et neste steg, basert på det teamet ditt allerede har bekreftet.

  2. 2

    Utfallet kommer tilbake

    En test, en måling eller en ekspert viser om forslaget fungerte, og under hvilke betingelser.

  3. 3

    Atferden endres

    Det som fungerte, blir et av agentens førstevalg. Det som feilet under disse betingelsene, slutter å bli foreslått der.

  4. 4

    Endringen blir loggført

    Hver forbedring lagres med utfallene som begrunnet den, så teamet ditt kan gå gjennom den, korrigere den eller fjerne den.

Et eksempel, fra et hvilket som helst felt der en agent planlegger kjøringer.

En agent i et team planlegger partier med kjøringer mot et mål. Over flere arbeidsrunder blir planene bedre, og loggen viser hvorfor.

  1. 1

    Runde én

    Agenten foreslår ti kjøringer. Tre når målet, og fire feiler av samme grunn: en innstilling utenfor området der metoden holder. Teamet bekrefter begge resultatene.

  2. 2

    Runde to

    Agenten starter fra tilnærmingen bak de tre suksessene og holder den feilende innstillingen utenfor planen under disse betingelsene. Færre kjøringer går til det teamet allerede vet ikke fungerer.

  3. 3

    Runde tre

    En kjøring med en ny kombinasjon lykkes der det gamle førstevalget kom til kort. Den nye tilnærmingen tar plassen fremst, knyttet til resultatet som begrunnet den.

  4. 4

    Gjennomgangen

    Ved neste gjennomgang åpner lederen loggen. Hver endring i agentens planer er oppført med utfallene bak den, og én som bygde på ett enkelt tvilsomt resultat, fjernes for seg selv, mens resten blir stående.

Selvforbedring bygger på de andre funksjonene.

Bedre atferd avhenger av godt belegg, klare begrunnelser og en logg teamet ditt kan stole på.

  • Kontinuerlig læring

    Hvert bekreftede resultat læres fra neste forespørsel av, noe som gir selvforbedringen ferskt belegg for hver runde.

  • Læring av årsak og virkning

    Når agentene dine vet hvilken handling som førte til hvilket utfall, under hvilke betingelser, kan de forbedre seg på riktig sted og la resten være.

  • Beslutninger som kjenner sine grenser

    Etter hvert som tilnærminger viser seg å holde, avgjøres flere rutinebeslutninger direkte, med færre modellkall på gjentakende arbeid.

  • Opphav, gjennomgang og avlæring

    Hver endring i atferd beholder kilden sin, så hver enkelt kan gjennomgås, korrigeres eller fjernes uten å berøre resten.

Dette får teamet ditt.

Agenter som blir bedre for hver arbeidsrunde, med hver forbedring synlig og knyttet til belegget.

mer presis enn en modell finjustert for oppgaven, på gjentakende arbeid, uten noen treningskjøring, i MatterSpaces kontrollerte tester
+16 poeng
  • Færre gjentatte feil

    Et steg som feilet under kjente betingelser, slutter å bli foreslått under disse betingelsene.

  • Færre bortkastede kjøringer

    Regnekraft, materialer og instrumenttid går til tilnærminger med bekreftet belegg bak seg.

  • Forbedring mellom gjennomganger

    Agentene blir bedre på egen hånd etter hvert som utfallene kommer inn, uten å vente på at noen skal skrive om instruksjonene deres.

  • En logg over hver endring

    Hver endring i atferd er oppført med hva som endret seg, når, og utfallene som begrunnet den.

  • Målt på arbeidet ditt

    Forbedringen vurderes mot utfallene dine egne tester, målinger og eksperter bekrefter.

  • Ingen treningskjøringer

    Agentene dine forbedrer seg ved siden av modellen, og vektene dens forblir som de er, så det er ikke noe datasett å forberede eller noen treningssyklus å vente på.

Vanlige spørsmål.

Hvordan vet MS Duplex at en agent har blitt bedre?

Den måler mot bekreftede utfall: resultatene testene, målingene og ekspertene dine bekrefter. Hver endring i atferd er knyttet til utfallene som begrunnet den, så teamet ditt selv kan sjekke belegget for enhver forbedring.

Kan teamet mitt se hvorfor agenten oppfører seg annerledes?

Ja. Hver endring i atferd er loggført med begrunnelsen og utfallene bak den. Teamet ditt kan gå gjennom enhver endring, og korrigere eller fjerne den for seg selv mens alt annet blir stående.

Hvem bestemmer hva agenten lærer av?

Det gjør teamet ditt. Agenten forbedrer seg ut fra utfallene og korreksjonene teamet ditt velger å fange opp, og forskerne og ingeniørene dine bestemmer hva som tas i bruk. Reglene dine kommer først, og i styrte miljøer venter stegene du velger, på en person før de kjøres.

Hvordan skiller selvforbedring seg fra finjustering?

Finjustering forbedrer en modell gjennom en treningskjøring på et forberedt datasett. MS Duplex forbedrer agentene dine ut fra bekreftede utfall mens arbeidet pågår, ved siden av modellen, og holder hver endring 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.