MS DuplexLæring af årsag og virkningVis alleVis færre
Læring af årsag og virkning.
Din AI lærer, hvilken handling førte til hvilket resultat.
MS Duplex bevarer forbindelsen mellem det, der blev gjort, de betingelser, det blev gjort under, og det, der skete bagefter. Den bruger de forbindelser til at anbefale næste trin og fortæller dine forskere, når en forbindelse endnu ikke er fastslået.
Lær og forbedr · en af de fjorten funktioner i MS Duplex


Det får dit team
- Anbefalinger forankret i dine egne resultater
- Klar adskillelse af det, der vides, fra det, der antages
- Bedre valg af næste eksperiment eller kørsel
Hvad læring af årsag og virkning betyder for dit team.
Læring af årsag og virkning betyder, at MS Duplex bevarer mere end resultatet. For hvert bekræftet udfald bevarer den, hvad der blev gjort, de betingelser, det blev gjort under, og hvad der skete bagefter, forbundet med hinanden, så din AI kan se, hvilken handling der førte til hvilket udfald.
De forbindelser former det, dine agenter anbefaler. Når dit team beder om næste trin, trækker MS Duplex på de handlinger, der førte til det udfald, du ønsker, under betingelser som de nuværende, og lægger de handlinger til side, der førte andre steder hen.
Den siger også, hvad den endnu ikke ved. Hvor en forbindelse mellem en handling og et udfald ikke er fastslået, fortæller MS Duplex dine forskere det, så dit team kan skelne et fund fra en fornemmelse og vælge næste eksperiment med det for øje.
Hvorfor forskning har brug for AI, der ved hvorfor.
To resultater kan ligne hinanden og have forskellige årsager. En AI, der kun gemmer resultatet, kan ikke se, hvilken handling den skal gentage.
I forskning betyder et resultat noget på grund af den måde, det opstod på. En kørsel lykkedes på grund af en indstilling, under en bestemt betingelse, efter et bestemt trin. Skift betingelsen, og den samme handling kan føre et andet sted hen. Beslutningen om, hvad der skal prøves næste gang, afhænger af at vide, hvilken del af arbejdet der gjorde forskellen.
Når en AI kun gemmer udfald, gentager den det, der tilfældigvis gik forud for en succes, og behandler et sammentræf som en regel. Dens anbefalinger lyder lige sikre, uanset om de bygger på mange bekræftede resultater eller på én heldig kørsel, og dine forskere må selv finde ud af, hvad der er hvad.
Betingelserne afgør
En handling, der virker under ét sæt betingelser, kan mislykkes under et andet, så betingelserne skal følge med forbindelsen.
Fund og fornemmelser er forskellige
Et team skal vide, hvilke anbefalinger der bygger på fastslåede forbindelser, og hvilke der stadig er antagelser.
Næste kørsel er dyr
At vælge næste eksperiment godt afhænger af at vide, hvilke handlinger der flyttede udfaldet.
Beslutninger bliver udfordret
En anbefaling, der viser handlingen, betingelserne og udfaldet bag den, kan kontrolleres af alle.


Sådan virker læring af årsag og virkning i dit teams hverdag.
Dit team registrerer, hvad det gjorde, og hvad der skete, som det gør i dag. MS Duplex bevarer forbindelserne og bruger dem til næste anbefaling.
- 1
En handling udføres
Agenten eller en forsker kører et trin med valgte indstillinger under kendte betingelser.
- 2
Udfaldet bekræftes
En test, en måling eller en ekspert bekræfter, hvad der skete bagefter.
- 3
Forbindelsen bevares
MS Duplex bevarer handlingen, betingelserne og udfaldet samlet, med evidensen bag dem.
- 4
Næste trin anbefales
Anbefalinger trækker på fastslåede forbindelser for betingelser som de nuværende, og en forbindelse, der endnu ikke er fastslået, markeres som sådan.
Et eksempel fra ethvert fagområde, hvor en agent anbefaler næste kørsel.
Et teams agent anbefaler indstillinger til næste kørsel mod et mål. Dens anbefalinger bliver tydeligere om, hvad der vides, og hvad der ikke gør.
- 1
Et mønster viser sig
Flere vellykkede kørsler har to indstillinger til fælles. Hver kørsel registreres med sine handlinger, sine betingelser og sit bekræftede udfald.
- 2
En forbindelse fastslås
Yderligere bekræftede kørsler viser, at den ene af de to indstillinger fører til målet under teamets sædvanlige betingelser, og at den anden ikke gjorde nogen forskel. MS Duplex bevarer den første som en fastslået forbindelse.
- 3
En ny betingelse
En forsker beder om en anbefaling under en betingelse, teamet ikke har testet. MS Duplex anbefaler den fastslåede indstilling og siger, at forbindelsen endnu ikke er fastslået under denne betingelse.
- 4
Næste eksperiment
Teamet kører det tilfælde som en bevidst test. Det bekræftede resultat udvider forbindelsen til den nye betingelse eller viser, hvor den holder op med at gælde, og næste anbefaling afspejler det.
Årsag og virkning giver de andre funktioner deres begrundelser.
At vide, hvorfor et udfald opstod, gør hver plan, beslutning og forbedring lettere at stole på.
Simulering før handling
Før et kostbart trin spilles mulighederne igennem ved hjælp af de forbindelser, dit team har bekræftet, så budgettet går derhen, hvor evidensen peger.
Beslutninger, der kender deres grænser
Hvor en fastslået forbindelse klart gælder, beslutter MS Duplex direkte; hvor den ikke gør, går beslutningen til din model eller en forsker, med begrundelsen.
Selvforbedring
Når dine agenter ved, hvilken handling der forårsagede hvilket udfald, kan de forbedre sig det rigtige sted og først prøve det, der førte til succes.
Sporbarhed, gennemgang og aflæring
Hver forbindelse bevarer de resultater, den bygger på, så en anden forsker kan genopbygge en anbefaling og kontrollere den.
Det får dit team.
Anbefalinger forankret i dine egne udfald, med en klar grænse mellem det, der vides, og det, der antages.
Anbefalinger ud fra dine udfald
Næste trin anbefales ud fra det, dit eget bekræftede arbejde viser førte til det resultat, du ønsker.
Viden adskilt fra antagelser
Hver anbefaling viser, om forbindelsen bag den er fastslået eller endnu ikke fastslået.
Betingelser bevaret med hver forbindelse
En handling anbefales, hvor betingelserne matcher dem, den blev bekræftet under.
Bedre valg af næste kørsel
Dit team kan rette næste eksperiment eller kørsel mod de forbindelser, der betyder mest og endnu ikke er fastslået.
Begrundelser dokumenteret
Hver anbefaling viser handlingen, betingelserne og udfaldet bag den, klar til gennemgang.
Forbindelser, der følger med
De forbindelser, dit team fastslår, følger med på tværs af sessioner, agenter og modeller.
Almindelige spørgsmål.
Lad den næste kørsel drage nytte af den forrige.
Kom til os med den forskning, din AI skal blive bedre til. Vi planlægger et pilotprojekt på dine egne arbejdsgange, med dine eksperter som dommere.

