Le problème qu'il résout
La plupart des modèles de langage souffrent de l'oubli catastrophique : apprenez quelque chose de nouveau à un modèle déjà entraîné, et il commence à perdre ce qu'il savait déjà. C'est l'un des plus grands obstacles pour maintenir un modèle d'IA à jour sans le réentraîner depuis zéro — et la raison pour laquelle la plupart des systèmes d'IA en production restent « figés » sur ce qu'ils savaient au lancement.
Ce que DAS garantit
Quand le modèle apprend un nouveau domaine via DAS, les connaissances antérieures restent mathématiquement intactes — pas « presque pareil », pas « optimisé pour minimiser la perte » : écart absolu zéro, prouvé par mesure directe des poids du modèle avant et après chaque session d'apprentissage.
Nous avons développé notre propre méthode qui résout l'oubli catastrophique exactement, pas approximativement : quand le modèle apprend un nouveau domaine, les connaissances antérieures restent mathématiquement intactes. Nous mesurons un écart absolu zéro dans ce que le modèle savait déjà, en comparant avant et après chaque nouvelle session d'apprentissage.
Résultats mesurés
| Scénario | Résultat |
|---|---|
| Fine-tuning traditionnel sur un nouveau domaine | dégrade les connaissances antérieures de 2,9 % à 6,1 % (mesuré, corpus réel) |
| DAS sur un nouveau domaine (même corpus, même modèle) | dégradation des connaissances antérieures : 0,000000 % — exacte |
| Écart de poids des connaissances antérieures (DAS) | 0,00000000 % — pas une approximation |
Validé sur corpus réel, à travers plusieurs domaines indépendants (y compris texte général et domaines techniques/questions-réponses), à travers plusieurs sessions indépendantes (graines aléatoires) — le résultat se répète de façon cohérente, ce n'est pas un coup isolé.
Garanti par construction, pas par optimisation.
Pas « proche de zéro », ni une valeur que l'entraînement essaie simplement de minimiser. C'est une propriété garantie par l'architecture même de la méthode.
Validé sur des corpus réels, à travers plusieurs domaines indépendants et plusieurs graines aléatoires — le résultat se répète de façon cohérente.
Mesuré avant et après chaque nouvelle session d'apprentissage, sur le même modèle, dans le même pipeline qui part en production.
DAS est intégré avec ACE (Adaptive Core Experts) — faire grandir les connaissances du modèle avec un nouveau domaine coûte maintenant une fraction de ce que ça coûtait avant, avec la même garantie exacte de rétention.
Voir ACE →DAS est la pièce d'apprentissage continu derrière Mouhn AV — l'architecture d'IA que nous construisons pour un raisonnement scientifique authentique.
Découvrir Mouhn AV →En pratique, le modèle peut continuer à apprendre après sa mise en production — nouveaux clients, nouveaux domaines, nouvelles mises à jour de connaissances — sans jamais dégrader ce qui fonctionne déjà pour les personnes qui utilisent déjà le système.