Hoppa till innehållet
Advancing Bits to Master Atoms

Lära sig orsak och verkan.
Din AI lär sig vilken åtgärd som ledde till vilket utfall.

MS Duplex behåller kopplingen mellan vad som gjordes, villkoren det gjordes under och vad som hände sedan. Den använder kopplingarna för att rekommendera nästa steg, och säger till dina forskare när en koppling ännu inte har fastställts.

Lära och förbättra · en av de fjorton förmågorna i MS Duplex

En rad kulor i satinerat silver som hänger i en ram av grafit, med en koboltblå kula utsvängd i änden, på väg att slå mot raden.En rad kulor i satinerat silver som hänger i en ram av grafit, med en koboltblå kula utsvängd i änden, på väg att slå mot raden.

Ditt team får

  • Rekommendationer grundade i dina egna utfall
  • Tydlig åtskillnad mellan det som är känt och det som antas
  • Bättre val av nästa experiment eller körning

Vad det innebär för ditt team att lära sig orsak och verkan.

Att lära sig orsak och verkan innebär att MS Duplex behåller mer än resultatet. För varje bekräftat utfall behåller den vad som gjordes, villkoren det gjordes under och vad som hände sedan, kopplade till varandra, så att din AI kan avgöra vilken åtgärd som ledde till vilket utfall.

De kopplingarna formar vad dina agenter rekommenderar. När ditt team frågar efter nästa steg utgår MS Duplex från de åtgärder som ledde till det utfall du vill ha, under villkor som liknar de nuvarande, och lägger åt sidan de åtgärder som ledde någon annanstans.

Den säger också vad den ännu inte vet. Där en koppling mellan en åtgärd och ett utfall inte har fastställts säger MS Duplex det till dina forskare, så att ditt team kan skilja ett fynd från en aning och välja nästa experiment med det i åtanke.

Varför forskning behöver AI som vet varför.

Två resultat kan se likadana ut och ha olika orsaker. En AI som bara behåller resultatet kan inte avgöra vilken åtgärd som ska upprepas.

I forskning spelar ett resultat roll på grund av hur det kom till. En körning lyckades tack vare en inställning, under ett visst villkor, efter ett visst steg. Ändra villkoret, så kan samma åtgärd leda någon annanstans. Beslutet om vad man ska prova härnäst beror på att veta vilken del av arbetet som gjorde skillnaden.

När en AI bara behåller utfall upprepar den det som råkade komma före en framgång och behandlar en slump som en regel. Dess rekommendationer låter lika säkra oavsett om de vilar på många bekräftade resultat eller på en enda lyckosam körning, och dina forskare får själva räkna ut vilket som är vilket.

  • Villkoren avgör

    En åtgärd som fungerar under en uppsättning villkor kan misslyckas under en annan, så villkoren måste följa med kopplingen.

  • Fynd och aningar skiljer sig åt

    Ett team behöver veta vilka rekommendationer som vilar på fastställda kopplingar och vilka som fortfarande är antaganden.

  • Nästa körning är dyr

    Att välja nästa experiment väl beror på att veta vilka åtgärder som påverkade utfallet.

  • Beslut ifrågasätts

    En rekommendation som visar åtgärden, villkoren och utfallet bakom den kan kontrolleras av vem som helst.

En förgrenad rad av upprättstående grafitbrickor på en mörk sockel, med en koboltblå bricka i början och en väg av fallna silverbrickor som leder in i en enda gren.En förgrenad rad av upprättstående grafitbrickor på en mörk sockel, med en koboltblå bricka i början och en väg av fallna silverbrickor som leder in i en enda gren.

Så fungerar inlärningen av orsak och verkan i ditt teams vardag.

Ditt team registrerar vad det gjorde och vad som hände, som det gör i dag. MS Duplex behåller kopplingarna och använder dem för nästa rekommendation.

  1. 1

    En åtgärd vidtas

    Agenten eller en forskare kör ett steg med valda inställningar, under kända villkor.

  2. 2

    Utfallet bekräftas

    Ett test, en mätning eller en expert bekräftar vad som hände sedan.

  3. 3

    Kopplingen behålls

    MS Duplex behåller åtgärden, villkoren och utfallet tillsammans, med beläggen bakom dem.

  4. 4

    Nästa steg rekommenderas

    Rekommendationerna bygger på fastställda kopplingar för villkor som liknar de nuvarande, och en koppling som ännu inte är fastställd märks som sådan.

Ett exempel, inom vilket område som helst där en agent rekommenderar nästa körning.

Ett teams agent rekommenderar inställningar för nästa körning mot ett mål. Dess rekommendationer blir tydligare om vad som är känt och vad som inte är det.

  1. 1

    Ett mönster framträder

    Flera lyckade körningar har två inställningar gemensamt. Varje körning registreras med sina åtgärder, sina villkor och sitt bekräftade utfall.

  2. 2

    En koppling fastställs

    Ytterligare bekräftade körningar visar att den ena av de två inställningarna leder till målet under teamets vanliga villkor, och att den andra inte gjorde någon skillnad. MS Duplex behåller den första som en fastställd koppling.

  3. 3

    Ett nytt villkor

    En forskare ber om en rekommendation under ett villkor som teamet inte har testat. MS Duplex rekommenderar den fastställda inställningen och säger att kopplingen ännu inte har fastställts under det här villkoret.

  4. 4

    Nästa experiment

    Teamet kör det fallet som ett avsiktligt test. Det bekräftade resultatet utvidgar kopplingen till det nya villkoret eller visar var den slutar gälla, och nästa rekommendation tar hänsyn till det.

Orsak och verkan ger de andra förmågorna deras skäl.

Att veta varför ett utfall inträffade gör varje plan, varje beslut och varje förbättring lättare att lita på.

  • Simulering före handling

    Före ett kostsamt steg spelas alternativen upp i förväg med hjälp av de kopplingar ditt team har bekräftat, så att budgeten går dit beläggen pekar.

  • Beslut som känner sina gränser

    Där en fastställd koppling tydligt är tillämplig beslutar MS Duplex direkt; där den inte är det går beslutet till din modell eller en forskare, med skälet.

  • Självförbättring

    Att veta vilken åtgärd som orsakade vilket utfall gör att dina agenter kan förbättras på rätt ställe, genom att först prova det som ledde till framgång.

  • Ursprung, granskning och avinlärning

    Varje koppling behåller de resultat den vilar på, så att en annan forskare kan återskapa en rekommendation och kontrollera den.

Det här får ditt team.

Rekommendationer grundade i dina egna utfall, med en tydlig gräns mellan vad som är känt och vad som är antaget.

  • Rekommendationer utifrån dina utfall

    Nästa steg rekommenderas utifrån vad ditt eget bekräftade arbete visar ledde till det resultat du vill ha.

  • Känt skilt från antaget

    Varje rekommendation visar om kopplingen bakom den är fastställd eller ännu inte fastställd.

  • Villkor sparade med varje koppling

    En åtgärd rekommenderas där villkoren stämmer med dem den bekräftades under.

  • Bättre val av nästa körning

    Ditt team kan rikta nästa experiment eller körning mot de kopplingar som betyder mest och ännu inte är fastställda.

  • Registrerade skäl

    Varje rekommendation visar åtgärden, villkoren och utfallet bakom den, redo att granskas.

  • Kopplingar som följer med

    De kopplingar ditt team fastställer följer med mellan sessioner, agenter och modeller.

Vanliga frågor.

Hur skiljer MS Duplex ett fynd från en aning?

Den behandlar en koppling mellan en åtgärd och ett utfall som fastställd endast i den mån dina bekräftade resultat stöder den. Där en koppling ännu inte har fastställts säger den det i rekommendationen, så att dina forskare kan se vilket som är vilket.

Vad händer när villkoren ändras?

Varje koppling sparas med de villkor den bekräftades under. När ett fall hamnar utanför dem säger MS Duplex att kopplingen ännu inte har fastställts där, så att ditt team kan avgöra om det ska testas.

Kan en forskare kontrollera varför ett steg rekommenderades?

Ja. Varje rekommendation visar åtgärden, villkoren och utfallen bakom den, med sina källor. En annan forskare kan återskapa den utifrån historiken och kontrollera den själv.

Vad händer om en koppling visar sig vara fel?

Ditt team kan rätta eller ta bort just den kopplingen. Tar du bort den försvinner de rekommendationer som berodde på den, medan allt annat finns kvar.

Låt nästa körning dra nytta av den förra.

Kom till oss med den forskning som din AI borde bli bättre på. Vi planerar en pilot på dina egna arbetsflöden, med dina experter som domare.