SynaLinks is evengoed een team voor toegepast onderzoek als een engineeringteam. Wij schrijven de frameworks waarmee AI-systemen worden gebouwd, en we toetsen onze ideeën met gecontroleerde, reproduceerbare experimenten, die we samen met hun code publiceren.
Blijft een AI-systeem op termijn overeind? Hoe verbetert u een systeem wanneer het model niet van u is? Hoe toont u aan dat een antwoord correct is, en niet alleen plausibel? Deze vragen worden in productie beslecht, bij onze klanten, en materiaal van leveranciers geeft er zelden antwoord op.
Daarom behandelen wij ze als onderzoeksvragen. We formuleren een hypothese, bouwen het experiment dat haar zou kunnen weerleggen, meten en publiceren het resultaat. Dat kost meer tijd, maar wanneer wij u zeggen wat op uw data zal werken, kunnen we u het bewijs laten zien.
Elk ervan staat in onze open-source repositories, waar iedereen de code kan lezen.
Een AI-systeem verbeteren zonder één gewicht opnieuw te trainen: de instructies en voorbeelden worden geoptimaliseerd op basis van een meetbare beloning, zoals bij het trainen van een model. Zo is continue verbetering mogelijk wanneer het model niet van u is.
Hoe u weet dat een systeem correct antwoordt, en dat het sinds gisteren niet is achteruitgegaan. Synthetische datasets, geautomatiseerde beoordelaars, agentmetrics en regressietests wanneer het onderliggende model wordt vervangen.
Een taalmodel afbakenen met structuur en logica: output die per constructie geldig is, een redenering die u kunt inspecteren, en conclusies die terug te voeren zijn op hun premissen in plaats van op een statistisch vermoeden.
Documenten omzetten in grafen die een systeem kan gebruiken, en die grafen vervolgens bevragen: lokaal zoeken voor precieze vragen, globaal zoeken voor vragen die een heel corpus beslaan.
Een agent die code schrijft en uitvoert, is nuttig en gevaarlijk tegelijk. Wij werken aan het afschermen ervan: isolatie van het bestandssysteem, beperkte systeemaanroepen, gecontroleerde netwerktoegang, en rechten die expliciet worden toegekend in plaats van standaard.
Pipelines waarin het model zijn eigen voorbeelden produceert, de symbolische laag ze verifieert en verwerpt wat niet klopt, en alleen wat overblijft naar de volgende stap gaat. Het doel: beter worden in een domein zonder uw experts bij elke iteratie te betrekken.
De meeste gepubliceerde “benchmarks” vergelijken in feite twee systemen die op tien punten tegelijk verschillen. Dit zijn de regels die wij onszelf opleggen, zodat onze cijfers iets betekenen.
Wij beginnen bij een vraag die met een getal kan worden beantwoord, gekozen voordat er iets draait. Een demo laat zien wat werkt; een experiment zegt u hoeveel.
Dezelfde taak, dezelfde splitsing in train-, validatie- en testset, dezelfde modellen, dezelfde beoordelaar. Alles blijft constant behalve wat wordt gemeten; anders meet de vergelijking iets anders dan ze beweert.
Elk experiment past in één uitvoerbaar script, gebruikt waar mogelijk lokale modellen en bewaart de volledige logs. U kunt het zelf opnieuw uitvoeren.
Ook wanneer het resultaat ons niet goed uitkomt. Een methode die op een bepaalde taak niets toevoegt, is nuttige informatie, en die verbergen zou al het andere onverifieerbaar maken.
Wij doen toegepast onderzoek met industriële teams en onderzoekslaboratoria: één duidelijk omschreven technisch knelpunt, een evaluatieprotocol dat we samen opstellen, en een resultaat dat u behoudt. Wat wij publiceren, wordt vooraf met u afgestemd.
Hebt u een vraag die niemand in uw omgeving kan beantwoorden, dan horen we die graag: schrijf ons, ook als ze nog ruw geformuleerd is.
Ons onderzoek staat in de eerste plaats ten dienste van ons product en onze klanten. Het startpunt: een demo van SynaLemma op een van uw eigen vragen.
