Enkle svar om MS Duplex og MS Reflex.
Spørsmålene team stiller før de tar det i bruk.

Med en pilot på ditt eget arbeid. Fortell oss hvor teamet ditt jobber og hva MS Duplex skal lære først. Vi blir enige om hva som skal måles før piloten starter, og setter opp MS Duplex sammen med deg i plasseringen du velger.

Etter beslutninger og brukerlisenser. En beslutning er én forespørsel MS Duplex deltar i, enten MS Duplex svarer på den eller henter inn KI-en din. Hvert tilbud kommer skriftlig før du forplikter deg.

Nei. Du tar med din egen modelltilgang og betaler leverandøren din for den, og MatterSpace legger ikke noe påslag på tokens. En beslutning MS Duplex har lært, trenger ikke noe modellkall i det hele tatt.

Den blir i plasseringen du velger. I MatterSpace Cloud er det MatterSpace som drifter MS Duplex for deg, og hver kunde forblir atskilt. I din sky forblir den under kontrollene dine. Det eneste som går ut, er en forespørsel til en ekstern modell du kobler til, og den leverandøren ser bare den forespørselen.

MS Duplex er det Agent Operating System som drives av kjøretidsintelligens: laget hver agent kjører på, uansett hvilken modell den bruker. MS Duplex er KI-modellen din og en ACI-modell som jobber som én: kjøretidsintelligens for KI-en din og agentene dine. Sammen lærer, planlegger, simulerer, avgjør og handler de mens arbeidet pågår, fra én person til hele virksomheten. Det den lærer, er ditt. Bygget på ACI, Adaptive Continual Intelligence.

Dagens KI er fragmentert: modellen, gjenfinningen og applikasjonskoden har hver sin bit av intelligensen, og ingen av dem lærer av arbeidet. MS Duplex er infrastrukturlaget som binder dem sammen til ett system som lærer, planlegger, simulerer, avgjør og handler. Tyngdepunktet flytter seg til hele systemet: modellen kan byttes ut, og MS Duplex fører resten videre.

MS Duplex er det Agent Operating System som drives av kjøretidsintelligens: laget hver agent kjører på, uansett hvilken modell den bruker. Agenter jobber nå i timer eller dager, på tvers av økter, apper og modeller, men hver av dem bygger fortsatt sitt eget minne, sine egne regler og verktøykoblinger, og mister dem når modellen eller appen endres. MS Duplex gir dem ett lag for alt dette, så hver agent beholder konteksten, reglene og verktøyene sine, uansett hvilken modell eller app den bruker.

Den koordinerer alt et mål trenger: planen, alternativene, beslutningen, godkjenningene dine, arbeidet i verktøyene dine og kontrollen av resultatet. Den tar med seg hver agents kontekst, holder langvarig arbeid i gang gjennom pauser og endringer, fører én historikk over hvert steg og lærer av det som ble verifisert. Stacken din blir én verktøykasse for hver agent, det hver person, hvert team og hver organisasjon lærer, blir i sitt eget lag, og modellen kan byttes mens det agentene dine har lært, blir værende.

Laget agentene dine kjører på, er kjøretidsintelligens i arbeid: KI-modellen din og en ACI-modell som jobber som én, lærer av hvert resultat, planlegger, simulerer, avgjør og handler mens arbeidet pågår. Derfor blir det bedre med bruk, og derfor forblir det det lærer, ditt når du bytter modell.

Alle som bruker KI i arbeidet, fra én person til hele virksomheten. En person starter i sin egen assistent, et team deler det de lærer, en liten bedrift bruker MatterSpace Cloud, og et større selskap tar den inn i sine egne agenter og sin egen sky via MCP + hooks.

En harness gir KI-en din verktøy, prompter og steg, og gjør det den er satt opp til å gjøre. MS Duplex kobler KI-en din sammen med en ACI-modell som lærer av hvert bekreftede resultat, planlegger, simulerer, avgjør og handler innenfor reglene dine, og tar med arbeidet ditt på tvers av verktøy og modeller. Den virker inne i Claude, Codex, Cursor og Hermes, og inne i dine egne agenter via MCP + hooks.

114 evner i 17 grupper: Kontekst og observasjon · Regler og atferdskontroll · Kjøring av verktøy · Læring og personalisering · Long Horizon: langvarig arbeid · Planlegging og beslutningsstøtte · Skill Fabric: gjenbrukbare ferdigheter · Varige tråder og deling · Glemming og datakontroll · Status og forklaringer · Varig intelligens · Personalisering · Multimodal intelligens · Konfidens og autonomi · Sikkerhet og tilsyn under kjøring · Operativ intelligens · Integrasjon og portabilitet.

Alt et mål trenger: konteksten, planen, alternativene spilt fremover, beslutningen, reglene og godkjenningene dine, arbeidet i verktøyene dine, kontrollen av resultatet, langvarig arbeid, gjenoppretting når noe endrer seg, og læring fra det som ble verifisert. De virker som ett system rundt målet ditt, ikke som separate verktøy som må kobles sammen.

Long Horizon er den delen av MS Duplex som fører langvarig arbeid i mål. Arbeid som varer i dager eller uker, forblir én jobb, med mål, plan, regler og fremdrift. Før hvert steg kontrolleres det steget bygger på, planen revideres når faktaene endres, unntak går til personene du velger, bare verifiserte steg teller som fremdrift, og arbeidet tas opp der det stoppet etter en pause eller en overlevering.

Skill Fabric er den delen av MS Duplex som gjør det som virker, om til ferdigheter hele organisasjonen din kan stole på. En ferdighet lages av arbeid som er verifisert, kan åpnes og undersøkes, deles med andre team når den er godkjent, følges opp i bruk og fases ut når den slutter å levere, og forblir din når du bytter modell.

Nei. De lagrer det som skjedde, og finner det som ligner. MS Duplex lærer av erfaring under kjøring: den forstår mønsteret bak hvert resultat, komprimerer det til det som generaliserer, forutsier hva som kommer videre og handler ut fra det, innenfor reglene dine. Derfor gjennomskuer den dobbeltgjengere, følger en endret regel fra neste forespørsel og blir raskere med bruk. De blir verktøyene dens.

Alene under kjøring er KI-modellen din leid per kall, starter hver oppgave fra ingenting, kan ikke lære av det teamet ditt bekrefter, mister konteksten mellom økter, og ingenting sjekker hva agentene dine gjør før de handler. MS Duplex kobler den sammen med en ACI-modell som lærer, planlegger, simulerer, avgjør og handler innenfor reglene dine. Arbeidet blir raskere og billigere med bruk, og det MS Duplex lærer, er ditt.

KI-en din blir der den er, og MS Duplex setter en ACI-modell ved siden av den. MS Duplex handler ut fra det den har lært, på millisekunder, og henter inn KI-en din for nytt eller usikkert arbeid, med den lærdommen vedlagt. Hvert bekreftede resultat lærer opp MS Duplex til neste gang.

To intelligenser som gjør ulike jobber sammen, slik hjernen gjør: en langsom for generell kunnskap og en rask for hver ny opplevelse. KI-en din er den langsomme, lært før den ble tatt i bruk. En ACI-modell er den raske: den lærer av arbeid i drift, og planlegger, simulerer, avgjør og handler så ut fra det. Sammen er de MS Duplex.

Delvis: MS Duplex er KI-modellen din og en ACI-modell som jobber som én. ACI-modellen er en egen, andre intelligens, og den erstatter aldri KI-en din. En bekreftet beslutning kan kjøre på millisekunder uten et modellkall. Nytt eller usikkert arbeid går til KI-en din med lærdommen til MS Duplex vedlagt, og det bekreftede resultatet lærer opp MS Duplex til neste forespørsel.

Kjøretidsintelligens: KI-modellen din og en ACI-modell som jobber som én, og som lærer, planlegger, simulerer, avgjør og handler mens arbeidet pågår, innenfor reglene dine. Det den lærer, er ditt. To intelligenser, ett system: kombinasjonen er produktet.

Overalt der KI-en din gjør virkelig arbeid: kode- og skrivebordsassistenter, support- og driftsagenter, arbeidsflyter i virksomheter, KI-produkter med høyt volum, team som tilpasser en modell, og regulert arbeid. Den er mest nyttig der resultater kan bekreftes, fordi MS Duplex tar hver rettelse, beslutning eller hvert utfall som blir bekreftet, med inn i neste forespørsel der det passer.

De blir verktøyene til MS Duplex. MS Duplex kaller hvert av dem når et steg trenger det, lærer hvilket som passer til hvilken situasjon, og sjekker at det de returnerer, er oppdatert, har kilde og er datert.

ACI, Adaptive Continual Intelligence, er en ny kategori av intelligens, skapt av MatterSpace. Den fortsetter å lære, planlegge, simulere, avgjøre og handle mens arbeidet ditt pågår, i samspill med KI-modellene du allerede bruker. MS Duplex kobler den sammen med KI-modellen din, MS Reflex med autonomistakken din.

KI-modeller lærer før de lanseres, og forblir så som de er. ACI lærer, planlegger, simulerer, avgjør og handler etterpå: under kjøring, av arbeidet ditt, så lenge den kjører. Den lærer arbeidet ditt i stedet for verden, bygger på alt den har lært før, og det den lærer, er ditt: en kategori for seg.

I samspill. Modellen bidrar med generell intelligens: kunnskap, språk og resonnering. ACI bidrar med det den lærer av arbeidet ditt. Den håndterer det den allerede kan, og henter inn modellen, orientert, til det som er nytt. Modellen forblir som den er, og du kan bytte modell uten å miste det ACI har lært.

For KI-en din: den lærer med en gang av ett bekreftet resultat, følger en ny regel fra neste forespørsel, håndterer saker den aldri har sett, tilegner seg ferdigheter og blir raskere og billigere med bruk. For maskinene dine: den lærer av ett eksempel, planlegger, simulerer og avgjør på enheten, og holder hver kommando innenfor reglene dine, med eller uten tilkobling. Uansett er det den lærer, ditt.

Til nå kunne bare labene som trener modeller, få KI til å lære. Med ACI har hver person og hver bedrift KI som lærer av deres eget arbeid, og eier det den lærer. Det den lærer, vokser som renters rente med hvert resultat og blir der du velger, i skyen eller på maskinen, uansett hvilken modell eller stack du kjører.

Begge er bygget på ACI, og ACI er intelligensen i hver av dem. Koblet sammen med KI-modellen din er den MS Duplex, inne i teamets assistenter og agentene bedriften din bygger. Koblet sammen med autonomistakken din er den MS Reflex, på enhver maskin som avgjør og handler på egen hånd.

ACI er resultatet av år med forskning på nevrale nett og trilemmaet deres: plastisitet, stabilitet og redigerbarhet. Plastisitet er å lære det nye, raskt. Stabilitet er å beholde det den kan. Redigerbarhet er å endre det den har lært. Et nevralt nett får høyst to: la det lære raskt, så glemmer det, hold det stødig, så slutter det å lære, og det som er lært, er spredt utover det hele. ACI har alle tre.

Faruk Guney bygde ACI, MS Duplex og MS Reflex på egen hånd, etter år med forskning på trilemmaet i nevrale nett og mer enn femten år med å bygge Norck opp til et globalt selskap for produksjon og ingeniørtjenester på bestilling.

Av resultater som viser at arbeidet var riktig: en bestått test, en godkjent gjennomgang, en observert endring eller et senere forretningsresultat. Den kan også forhåndstrenes på gjennomgåtte eksempler, tidligere beslutninger, dokumenter, regler og verktøyruter.

Ja. Forhåndstren MS Duplex på dine gjennomgåtte eksempler, tidligere beslutninger, dokumenter, regler, verktøyruter og biblioteker av utprøvde metoder. Den lærer dem før den går i drift, så den er nyttig fra første forespørsel, og den fortsetter å lære i produksjon.

Teamet ditt setter standarden for hver type arbeid. Kode kan trenge tester og gjennomgang, mens en regulert handling kan trenge godkjenning fra en person.

En rettelse hører til arbeidsområdet der den ble gjort, og den hjelper senere arbeid som passer. Autoriserte brukere kan gå gjennom, rette eller fjerne alt MS Duplex har lært.

Ja. MS Duplex lærer mønsteret, så den håndterer nye formuleringer og nye detaljer, og den oppdager en dobbeltgjenger som trenger et annet svar. På villedende dobbeltgjengere tok den feil i 7.5% av tilfellene, mot 45.3% for en cache.*

Den nye regelen gjelder fra neste forespørsel. MS Duplex erstatter den utdaterte beslutningen og lar urelatert arbeid være som det er. Etter en policyendring ga den 0% utdaterte svar, mot 72% for cache og gjenfinning.*

Kontinuerlig læring, under kjøring. MS Duplex lærer av hvert resultat etter hvert som det bekreftes, så neste forespørsel har allerede nytte av det, uten treningskjøring og uten GPU. Gjennom en endring forblir 100% av det tidligere arbeidet intakt.*

Vanlig bruk er treningen: MS Duplex lærer av hvert bekreftet resultat og bruker det fra neste forespørsel. Forhåndstrening gir den et forsprang, og vektene til KI-en din forblir som de er.

Til arbeid som er nytt, bredt eller kreativt, og alt som krever ny tekst eller resonnering. MS Duplex forbereder nøyaktig det KI-en din får, med det den har lært vedlagt. En beslutning MS Duplex har lært, trenger ikke modellkall.

Hvis MS Duplex ble forhåndstrent på den typen arbeid, svarer den fra start. Ellers tar KI-en din det med kunnskapen til MS Duplex vedlagt, og når resultatet er bekreftet, håndterer MS Duplex det neste gang.

KI-en din, når arbeidet krever ny tekst eller åpen resonnering, med det MS Duplex har lært vedlagt. Når MS Duplex har lært arbeidet, svarer den på egen hånd.

Alt MS Duplex har lært, lever ved siden av KI-en din, så det flytter med deg til den nye modellen. I tilpasningstesten flyttet det MS Duplex lærte, til en annen modellfamilie helt uten omtrening.

Nei, den gjør det motsatte. Det organisasjonen din lærer, lever i MS Duplex, ikke inne i én leverandørs vekter, én samtalelogg eller én apps minne. Bytt modell, agentklient eller tilbyder, og prosessene, reglene, historikken og ferdighetene blir værende.

Ja. Plasseringen og innstillingene dine bestemmer hvilken modell som er tilgjengelig, og hvor hver forespørsel går.

Vanlige skyservere, på CPU. MS Duplex trenger ingen egen GPU: en beslutning den har lært, tar ≈97 ms, mot ≈2,231 ms for et modellkall. Bare KI-en din trenger akseleratorer, og MS Duplex henter den inn til nytt arbeid.*

Målet, avgjorte beslutninger, begrensninger og uferdig arbeid fortsetter innenfor samme kunde og arbeidsområde. Urelatert arbeid og påloggingsinformasjon blir igjen.

Det du trenger for å fortsette: mål, beslutninger og uferdig arbeid. Hele samtaleloggen blir der den var, og tilgangsreglene til teamet ditt gjelder fortsatt.

Ja, når tilkoblingene hører til samme kunde og et tillatt arbeidsområde. Grensene for identitet, arbeidsområde og kunde blir stående.

Ja, når begge personene er autorisert for det delte arbeidsområdet. Personlig eller begrenset arbeid holdes atskilt, under tilgangsinnstillingene dine.

Kontekst hjelper deg å fortsette uferdig arbeid, og den kan være midlertidig. Det MS Duplex lærer, kommer fra bekreftede resultater, og det hjelper hver gang det passer.

Den bruker bekreftede rettelser, oppdaterer beslutninger når en regel endres, fører pågående arbeid videre, planlegger prosesser i flere steg, bruker verktøyene dine og kutter modellkall på arbeid den har lært.

Ja. MS Duplex lærer hvordan prosessene dine reagerer, planlegger den korteste veien og tar med begrensninger og bekreftede metoder på tvers av steg og økter. KI-en din bidrar med ny resonnering ved hver uventet vending.

Ja. Den lærer hva handlinger endrer i systemene dine, forutsier effekten av et steg før det kjøres, og foreslår den korteste veien til et mål. På en offentlig benchmark for bedriftssystemer slo den tre ledende modeller i å forutsi systemendringer. Hvert virkelige steg går fortsatt gjennom kontrollene dine.

Ja, når teamet ditt slår det på: gi den et mål, handlingene den har lov til å utføre, og en måte å sjekke at den lyktes på. Den utforsker trygt, tester ferdigheten før den tas i bruk, og fjerner den på forespørsel. Den fullførte hver oppgave med modellen slått av.

Ja. MS Duplex får modellen din til å svare som om den var trent på arbeidet ditt, og vektene i modellen forblir som de er. Den slo finjusterte adaptere i 6 / 6 tester, uten noen treningskjøring, og tilpasningen ble flyttet til en annen modellfamilie uten omtrening.*

Ja. For veldefinerte oppgaver skriver MS Duplex et lite program eller gjenbruker et som allerede har fungert, tester det mot kjente tilfeller og kjører det når det består. Teamet ditt kan sette det på pause eller fase det ut når som helst.

Ja. Dokumenter, kunnskapsgrafer og databaser blir kunnskapskildene til MS Duplex, hver med eier, kilde og dato. MS Duplex vet når et faktum endrer seg, og tar med de riktige faktaene inn i hver beslutning.

Ja. MS Duplex kan dele godkjent læring og kontekst med hver agent i det valgte arbeidsområdet. For alt den har lært, kan du se hvilken agent det kom fra, med hvilken modell og når. Læringen til hver kunde forblir hos den kunden.

Teamet ditt bestemmer hva MS Duplex lærer av, går gjennom det den har lært, og kan rette eller fjerne hva som helst av det. Reglene, godkjenningene og kontrollene dine gjelder for hver handling.

De fire pluginene er Claude, Codex, Cursor og Hermes. Team som bygger sine egne agenter, kobler dem til via MCP + hooks.

Fire pluginer er tilgjengelige i dag. Hvis teamet ditt bygger og drifter agenten, kan MCP + hooks passe; for enhver annen assistent, fortell oss hvilken du bruker.

For agentene bedriften din bygger. De kobles til MS Duplex via MCP, og hookene henter inn MS Duplex ved hvert steg: før hver forespørsel, før hvert verktøykall og etter hvert resultat. Hver handling kontrolleres mot reglene dine før den kjøres, med godkjenninger der du vil ha dem og én historikk du kan eksportere.

En plugin tar MS Duplex inn i en støttet assistent via MCP, og bygger din personlige intelligens. MCP + hooks tar den inn i hvert steg av agentene bedriften din bygger, og bygger bedriftens intelligens. Det er samme MS Duplex i begge.

Før hver forespørsel, før hvert modellkall, før hvert verktøykall, etter hvert resultat, ved hver overlevering og ved hver godkjenning. MS Duplex bruker reglene dine først, deretter det den har lært, og hver handling kontrolleres før den kjøres.

En plugin, når folk jobber inne i en støttet assistent. MCP + hooks, når bedriften din bygger sine egne agenter og MS Duplex skal delta i hvert steg.

Ja. Når de er koblet til det samme arbeidsområdet, deler de den samme godkjente læringen og konteksten. Tilgangen forblir begrenset til personene og agentene du autoriserer.

En plugin eller MCP + hooks, hvem som deler det MS Duplex lærer, og om du vil, eksemplene, beslutningene og dokumentene den skal forhåndstrenes på. Deretter plasseringen og tilgangsreglene som passer arbeidet.

Med en støttet plugin fortsetter folk å jobbe inne i assistenten de allerede bruker. Teamet bekrefter gode utfall og korrigerer dårlige, og godkjenningstrinnene avhenger av produktet og arbeidsområdet.

Fra første forespørsel, når du forhåndstrener den. En bekreftet rettelse hjelper fra neste tilfelle som passer, og hvert bekreftet resultat gjør MS Duplex raskere, billigere og mer nøyaktig.

Ja, det er forhåndstrening. Gjennomgåtte eksempler, tidligere beslutninger, dokumenter og regler gir en sterk start. Teamet ditt plasserer hvert av dem i riktig arbeidsområde og kan rette eller fjerne det senere.

Ja. I konsollen kan autoriserte brukere gå gjennom, rette eller fjerne alt MS Duplex har lært, og se historikken bak det. De nøyaktige kontrollene avhenger av produktet og utrullingen.

Nei. Du fastsetter det som betyr noe: målene, reglene og handlingene som trenger ditt ja. MS Duplex tar seg av rutinearbeidet innenfor disse reglene og sørger for at hver agent følger dem. Den kontrollerer hvert modellkall og hver verktøyhandling før den kjøres, og tar med seg det teamet ditt har godkjent, inn i hver økt.

Ja. Du kan sette opp smalere arbeidsområder, og innstillingene for identitet og tilgang bestemmer hvem som deler hvert av dem. All den læringen forblir innenfor organisasjonen din.

MS Duplex har to plasseringer: MatterSpace Cloud, som MatterSpace drifter for deg, og din sky, en skykonto du eier. Din sky er en bedriftsløsning. Alle integrasjoner er tilgjengelige i begge, i henhold til vilkårene for utrullingen.

Som en bedriftsløsning. Kontakt oss på hello@matterspace.ai med miljøet, hvor dataene må bli, og sikkerhetskravene dine, så planlegger vi utrullingen sammen med deg.

Ja. Det finnes en støttet vei mellom plasseringer, og det MS Duplex har lært, flytter med uten omtrening. Driftsansvar og migreringsarbeid avtales for hver utrulling.

Ja. En utrulling kan bruke din egen modelltilgang. Kostnader hos modellens leverandør, påloggingsinformasjon og grensen de skaper, håndteres separat og fremgår av pristilbudet og avtalen.

Ja. Inndataene dine, referansematerialet, historikken og alt MS Duplex lærer av dem, tjener bare organisasjonen din. Arbeidsområder kan legge til smalere grenser for team, produkter, regioner eller dataklasser.

Ja. På tvers av seks familier av omformulerte angrep blokkerte den hvert eneste, med 0.7% feilaktige avslag, det laveste av alle tilnærmingene som blokkerte alle.*

Du velger hvem som er autorisert, i hver plassering. MatterSpace drifter den hostede tjenesten, og har tilgang til en utrulling i din sky bare når du delegerer det for et avtalt formål.

Teamet ditt logger på konsollen via din egen identitetsleverandør, trafikken er kryptert under overføring, og det MS Duplex lærer og historikken er kryptert i hvile. Mulighetene for å ha dine egne nøkler avhenger av plasseringen.

Ja. Autoriserte brukere kan fjerne alt MS Duplex har lært, gjenopprette en tidligere versjon og eksportere det den har lært, med historikken. Prosessen for sletting og sikkerhetskopiering for utrullingen din dekkes i sikkerhetsgjennomgangen og avtalen.

Ja. Fjern et resultat eller en observasjon, så trekkes alt MS Duplex har lært av det, tilbake samtidig, slik at ingenting som bygger på det, blir hengende igjen. Historikken viser endringen.

Bare det du tillater. Personopplysninger kan sladdes før MS Duplex lærer av dem, sender dem til en modell eller legger dem til i historikken, og MS Duplex kan bruke det den har lært, uten originalteksten.

Den kan bare utvides, og manipulering blir synlig: hver endring legges til som en ny oppføring, så en endret oppføring ville synes. Autoriserte brukere kan eksportere den.

Autoriserte brukere kan fjerne påvirkningen av det, og urelatert læring forblir som den var. Etter bevisst forgiftning fjernet MS Duplex alle 40 forgiftede prøver, og den legitime læringen forble intakt.

Oppbevaringstiden fastsettes per utrulling. Den avhenger av dataene, plasseringen, konfigurasjonen din, oppsettet for sikkerhetskopiering og avtalen som gjelder.

MS Duplex er i lukkede piloter, og uavhengig sertifisering er planlagt. Inntil da beskriver sikkerhetsoversikten kontrollene som er på plass i dag for plasseringen du vurderer.

Leverandørene som brukes i utrullingen din, og eventuelle vilkår for underdatabehandlere, fremgår av kundedokumentene dine. I din sky velger du dem selv.

11 resultater innen kostnad, nøyaktighet, kontinuerlig læring, generalisering, planlegging, agenter, sikkerhet, nye ferdigheter og tilpasning, inkludert tre offentlige benchmarker.

En cache gjentar et tidligere svar når en forespørsel ligner. MS Duplex lærer mønsteret bak bekreftede resultater, følger regelendringer fra neste forespørsel og oppdager dobbeltgjengere, og den kan fortsatt kalle cachen din som et verktøy. Etter en regelendring holdt MS Duplex 92.5% nøyaktighet der en cache falt til 42.6%.*

Behold den: gjenfinning blir et av verktøyene til MS Duplex. MS Duplex kaller den når et steg trenger et avsnitt, lærer hvilke kilder som svarer på hvilke spørsmål, og vet når et faktum har endret seg.

Den blir en kunnskapskilde for MS Duplex. MS Duplex leser koblede fakta når en beslutning trenger dem, vet når de endres, og lærer hvilke relasjoner som betyr noe for arbeidet ditt.

Ja. Finjusterte og spesialiserte modeller blir verktøy MS Duplex sender arbeid til, og MS Duplex kan gi treningsteamet ditt bekreftede eksempler når du vil trene. Alt MS Duplex lærer, fortsetter å virke ved siden av de nye vektene.

De blir en del av hvordan MS Duplex handler. MS Duplex kjører hvert modell- og verktøykall etter reglene dine, og sikkerhetsmekanismene og brannmurene dine fortsetter å håndheve sine.

En KI-gateway ruter kall og rapporterer bruk. MS Duplex er en intelligens: den lærer av hvert bekreftede resultat, planlegger, simulerer, avgjør og handler ut fra det, og via MCP + hooks deltar den i hvert steg i agentene bedriften din bygger, med delt læring, kontinuitet, godkjenninger og én historikk.

Side om side med dem. Observerbarhet viser hva agentene dine gjorde, og evalueringer tester det; MS Duplex lærer av det teamet ditt bekrefter, så en rettelse gjelder fra neste forespørsel som passer. Sporingene og evalueringssuitene dine fortsetter å virke som før.

MS Reflex er kjøretidsmiljøet for enhver maskin som avgjør og handler på egen hånd, fra edge-enheter til roboter. Den kobler autonomistakken din sammen med en ACI-modell, på enheten: hver kommando passerer kontrollpunktet, og den lærer, planlegger, simulerer, avgjør og handler innenfor reglene dine, med eller uten tilkobling.

Fem invarianter, på hver maskin, uansett hva som styrer den. Hver kommando som utføres, passerer kontrollpunktet. Sikkerhetsregler lempes bare gjennom en autorisert, loggført handling. Hver endring er sporbar og reversibel. Læringen blir på enheten, innenfor rammer, uten nettverk. «Ukjent» betyr å overlate, ikke å gjette.

Det som styrer maskinen din i dag: en VLA, en MPC, en autopilot, et PLC-program eller en KI-agent. Det forblir nøyaktig som det er. Autonomistakken din og en ACI-modell som jobber som én: det er MS Reflex. Kombinasjonen er produktet.

Begge. Edge-enheter og roboter: to former, ett kjøretidsmiljø. Edge-enheter er kontrollerne, gatewayene og smartkameraene i anlegg, på arbeidsplasser og ute i felten. Roboter er robotarmene, de mobile robotene, dronene, kjøretøyene og fartøyene på land, i luften, til sjøs og under vann, og romfartøyene i bane.

Den avgjør i øyeblikket, på enheten: hva den skal gjøre, hvilken ferdighet den skal kjøre, og når den skal overlate avgjørelsen. Den avgjør om hver kommando får passere kontrollpunktet, og om den vet nok til å handle.

Ja. Den simulerer hver bevegelse på enheten før den gjør den, og ser hva en kommando vil gjøre før maskinen din utfører den. En bevegelse som ville gått galt, endres på enheten før noe beveger seg, og bevegelsen den gjør, passerer fortsatt kontrollpunktet.

Hver kommando som utføres, passerer kontrollpunktet. Før noe beveges, kobles om, åpnes eller sendes, sjekker MS Reflex det mot reglene dine, og det som ikke består, kjøres ikke. Det gjelder for hver kommando, uansett hva som styrer maskinen, og hver avgjørelse ved kontrollpunktet er loggført.

«Ukjent» betyr å overlate, ikke å gjette. Når den møter noe den ikke kjenner, overlater den avgjørelsen til stacken din eller operatøren din. Den gjetter aldri. Den lærer hver gang den overlater en avgjørelse: det stacken din eller operatøren din gjorde deretter, blir noe den vet til neste gang.

Den lærer raskt og med en gang, på enheten: ett eksempel eller én overlatt avgjørelse er nok, og lærdommen gjelder også for tilfeller av samme slag. Det er fokusert læring, ikke generell læring, innenfor rammene du setter, uten nettverk og uten treningskjøring. Stacken din forblir som den er, og hver lærdom er loggført.

Nei. Læring lemper aldri en regel, og det gjør heller ikke tiden. Å lempe en krever en autorisert handling, og den handlingen loggføres. Å legge til eller stramme inn en regel gjelder fra neste kommando, selv mens maskinen kjører.

Ja. Hver endring av en regel, en grense eller det den har lært, viser hvem eller hva som gjorde den, og når. En lærdom kan tas tilbake for seg selv, eller en maskin settes tilbake til et punkt du har lagret, og også det blir loggført. Hvis en lærdom en gang ikke kan tas nøyaktig tilbake, sier MS Reflex fra om det i stedet for å late som.

Nei. Den kjører på prosessorene maskinene dine allerede har med seg, på CPU, uten GPU og uten sky. Den lærer, planlegger, simulerer, avgjør og handler med eller uten tilkobling: den fungerer frakoblet og fysisk isolert, ringer aldri hjem, og lisensen fungerer også frakoblet.

Ja. Hver maskin kjører MS Reflex på enheten og avgjør selv, med eller uten forbindelse. På tvers av en flåte beholder hver maskin sine egne regler, og ferdigheter flyttes mellom dem bare når du velger det. En ferdighet lært på én maskin kan så gå til andre av samme slag.

Nei. MS Reflex avgjør hva maskinen gjør videre, og holder hver kommando innenfor reglene dine ved kontrollpunktet. Den ligger over de sertifiserte sikkerhetskontrollerne, forriglingene og nødstoppene dine, aldri i stedet for dem: de forblir uavhengige av den og har siste ord, og teamet ditt beholder sikkerhetsdokumentasjonen for hver maskin, slik det gjør i dag.

Begge, på lik linje, med de samme fem invariantene på hver maskin. Den fungerer uten tilkobling, ingenting trenger å forlate maskinen, og hver avgjørelse er loggført. Innen forsvar gjelder det for kinetiske og ikke-kinetiske oppdrag på lik linje: hver kommando passerer kontrollpunktet, innenfor engasjementsreglene dine.

MS Reflex er i beta. Det den har vist så langt, kommer fra simulering og benchmarker, og vi beviser det sammen med deg, på maskinene dine, i en pilot. Hver pilot planlegges sammen med deg, bak dine egne sikkerhetssystemer.

De er separate produkter, begge bygget på ACI, Adaptive Continual Intelligence. MS Duplex kobler en ACI-modell sammen med KI-modellen din, for KI-en din og agentene dine. MS Reflex kobler en sammen med autonomistakken din, for enhver maskin som avgjør og handler på egen hånd.

Produktet, forventet bruk, teamstørrelse, plassering og eventuell dedikert kapasitet. Prisene kommer skriftlig, med forutsetningene bak dem.

MS Duplex og MS Reflex er produkter fra Vareon, Inc., selskapet bak matterspace.ai.

Bruk kontaktsiden og nevn produktet, plasseringen og hva slags arbeid du har i tankene. Teamet svarer på spørsmålet eller viser deg til siden med detaljene.