Hopp til innholdet
Advancing Bits to Master Atoms

Verktøylæring.
Agentene dine lærer hvilket verktøy som passer til hvilket problem.

MS Duplex lærer av hvordan hvert verktøy presterte på hver type problem. Neste valg av verktøy, innstilling eller metode starter fra den erfaringen, og verktøyene dine forblir som de er.

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

Et stativ i grafitt med slanke presisjonsinstrumenter i satinert sølv, der ett instrument med koboltblått håndtak er trukket frem fra raden.Et stativ i grafitt med slanke presisjonsinstrumenter i satinert sølv, der ett instrument med koboltblått håndtak er trukket frem fra raden.

Teamet ditt får

  • Bedre verktøyvalg for hver kjøring
  • Dine eksisterende verktøy, brukt mer effektivt
  • Én oversikt over hva hvert verktøy er godt for

Hva verktøylæring betyr for teamet ditt.

Verktøylæring betyr at agentene dine lærer av verktøyene de bruker. Hver gang en agent kjører en simulator, analysekode, en databasespørring eller et instrument, viser utfallet hvor godt det verktøyet, med de innstillingene, tjente den typen problem. MS Duplex tar vare på den erfaringen og tar den med til neste valg.

Agentene dine fortsetter å nå verktøyene dine gjennom sine egne tilkoblinger. MS Duplex står ved siden av dem og lærer av det som skjedde: hvilket verktøy som ga et bekreftet resultat, hvilket som kom til kort, og under hvilke betingelser. Verktøyene dine trenger ikke å endres for dette.

Over tid bygger dette opp ett bilde av hva hvert verktøy er godt for, hentet fra teamets egne utfall. En ny forsker, en ny agent eller en ny modell starter med det bildet i stedet for å finne det ut på nytt.

Hvorfor forskning trenger KI som lærer verktøyene sine.

Forskningsteam drives av verktøy. Å velge det riktige, med de riktige innstillingene, er ofte der kostnaden for et resultat avgjøres.

De fleste team har mer enn én måte å besvare det samme spørsmålet på: en raskere metode og en grundigere, to simulatorer med ulike styrker, en analyse som fungerer godt på én type data og dårlig på en annen. Hvilken som passer et gitt problem, er kunnskap erfarne forskere har med seg, og som en agent som starter en ny økt, ikke har.

Uten verktøylæring velger agenter verktøy ut fra generell kunnskap og instruksjonene de får. De griper etter et verktøy som allerede har kommet til kort på denne typen problem, bruker innstillinger noen allerede har funnet utilstrekkelige, og bruker regnekraft og instrumenttid på kjøringer teamet kunne ha forutsett.

  • Verktøy har styrker

    Hvert verktøy passer bedre til noen problemer enn andre, og dine egne utfall viser hvilke.

  • Innstillinger betyr noe

    Det samme verktøyet med andre innstillinger kan gi et nyttig resultat eller en bortkastet kjøring.

  • Kjøringer er dyre

    En kjøring på feil verktøy koster regnekraft eller instrumenttid som et bedre valg ville ha spart.

  • Kunnskap flytter på seg

    Det erfarne forskere vet om verktøyene dine, bør bli værende i teamet når de bytter rolle.

En konsoll i grafitt med fem dreieknapper i satinert sølv, der én knapp med koboltblå indikator er vridd til en innstilling.En konsoll i grafitt med fem dreieknapper i satinert sølv, der én knapp med koboltblå indikator er vridd til en innstilling.

Slik fungerer verktøylæring i teamets hverdag.

Agentene dine fortsetter å bruke verktøyene dine slik de gjør i dag. MS Duplex lærer av hvordan hvert av dem presterte, og tar det med inn i neste valg.

  1. 1

    Agenten din velger et verktøy

    Den kjører en simulator, analysekode, en databasespørring eller et instrument gjennom sin egen tilkobling, med innstillingene den valgte.

  2. 2

    Utfallet bekreftes

    En test, en måling eller en ekspert bekrefter resultatet, eller korrigerer det og sier hvorfor.

  3. 3

    Erfaringen tas vare på

    MS Duplex registrerer hvordan det verktøyet og de innstillingene presterte på den typen problem, med belegget og betingelsene.

  4. 4

    Neste valg er bedre informert

    Ved neste lignende problem, i hvilken som helst økt, agent eller modell, starter agenten fra det som fungerte. Der betingelsene er annerledes, sier MS Duplex fra.

Et eksempel, fra et hvilket som helst felt der en agent kjører analyser.

Agenten til et team velger mellom to analyseverktøy for en gjentakende type problem. I løpet av noen uker blir valgene bedre uten at noen skriver en veiledning.

  1. 1

    En treg standard

    Til å begynne med bruker agenten det grundigere verktøyet hver gang. En ekspert noterer at det raskere verktøyet gir det samme bekreftede svaret i enkle tilfeller, og registrerer hvorfor.

  2. 2

    En innstilling som feiler

    I et vanskeligere tilfelle gir det raskere verktøyet med standardinnstillingen et resultat som ikke holder. Eksperten korrigerer det, og MS Duplex tar vare på innstillingen og betingelsene den feilet under.

  3. 3

    Et bedre førstevalg

    I neste enkle tilfelle velger agenten det raskere verktøyet. I neste vanskelige går den rett til det grundige verktøyet og lar den mislykkede innstillingen ligge.

  4. 4

    Et felles bilde

    Agenten til en kollega, på en annen modell, møter samme type problem. Den starter fra det samme bildet av hvilket verktøy som passer hvilket tilfelle, med hver kilde loggført.

Verktøylæring gjør de andre funksjonene skarpere.

Det MS Duplex lærer om verktøyene dine, går inn i hvert valg resten av laget tar.

  • Simulering før handling

    Før en kostbar kjøring veies alternativene ut fra det teamet ditt har lært om hvert verktøy, så budsjettet går dit det mest sannsynlig får arbeidet videre.

  • Læring av årsak og virkning

    Koblingen mellom et verktøy, innstillingene, betingelsene og utfallet tas vare på, så en anbefaling viser hva den bygger på.

  • Gjenbrukbare metoder

    Et verktøy og en innstilling som er bekreftet for en type problem, blir en del av en metode agentene dine gjenbruker og tilpasser.

  • Beslutninger som kjenner sine grenser

    Der erfaringen tydelig viser hvilket verktøy som passer, tas valget direkte; der den er tynn, går det til modellen din eller en forsker.

Dette får teamet ditt.

Agenter som blir bedre til å bruke verktøyene dine, med hvert valg knyttet til teamets egne utfall.

  • Bedre verktøyvalg

    Hver kjøring legger til det agentene dine vet om hvilket verktøy som passer hvilket problem.

  • Bedre innstillinger

    Innstillinger som fungerte, prøves først, og innstillinger som kom til kort, slutter å bli foreslått.

  • Verktøyene du allerede har

    Simulatorene, analysekoden, databasene og instrumentene dine forblir som de er, og brukes mer effektivt.

  • Ett bilde av hvert verktøy

    Hva hvert verktøy er godt for, hentet fra dine egne utfall, på ett sted teamet ditt kan gå gjennom.

  • Færre bortkastede kjøringer

    Agenter slutter å gripe etter et verktøy som allerede har kommet til kort på den typen problem.

  • Kunnskap som blir værende

    Det teamet ditt lærer om verktøyene sine, blir værende i teamet, på tvers av personer, agenter og modeller.

Vanlige spørsmål.

Kjører MS Duplex verktøyene våre?

Agentene dine når simulatorene, analysekoden, databasene og instrumentene dine gjennom sine egne tilkoblinger, slik de gjør i dag. MS Duplex lærer av hvordan hvert verktøy presterte, og tar den erfaringen med inn i neste valg.

Hva lærer den om et verktøy?

Hvordan det presterte på hver type problem: hvilket verktøy og hvilke innstillinger som ga et bekreftet resultat, hvilke som kom til kort, og under hvilke betingelser. Hver lærdom beholder kilden sin, så teamet ditt kan gå gjennom den.

Må vi endre verktøyene våre?

Verktøyene dine forblir som de er. MS Duplex lærer ved siden av dem fra utfallene teamet ditt velger å fange opp, så verktøyene du allerede har, brukes mer effektivt.

Hva skjer når vi legger til et nytt verktøy?

Agentene dine når det gjennom sin egen tilkobling, som alle andre verktøy. Etter hvert som det brukes og resultatene bekreftes, lærer MS Duplex hvordan det presterer på hver type problem, ved siden av det den allerede vet om de andre verktøyene dine.

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.