MS DuplexVærktøjslæringVis alleVis færre
Værktøjslæring.
Dine agenter lærer, hvilket værktøj der passer til hvilket problem.
MS Duplex lærer af, hvordan hvert værktøj klarede sig på hver slags problem. Det næste valg af værktøj, indstilling eller metode starter fra den erfaring, og dine værktøjer forbliver, som de er.
Lær og forbedr · en af de fjorten funktioner i MS Duplex


Det får dit team
- Bedre værktøjsvalg for hver kørsel
- Dine eksisterende værktøjer, brugt mere effektivt
- Ét overblik over, hvad hvert værktøj er godt til
Hvad værktøjslæring betyder for dit team.
Værktøjslæring betyder, at dine agenter lærer af de værktøjer, de bruger. Hver gang en agent kører en simulator, analysekode, en databaseforespørgsel eller et instrument, viser resultatet, hvor godt det værktøj, med de indstillinger, tjente den slags problem. MS Duplex bevarer den erfaring og bringer den med til det næste valg.
Dine agenter tilgår fortsat dine værktøjer via deres egne forbindelser. MS Duplex sidder ved siden af dem og lærer af det, der skete: hvilket værktøj der gav et bekræftet resultat, hvilket der kom til kort, og under hvilke betingelser. Dine værktøjer behøver ikke at ændres for det.
Med tiden opbygger det ét samlet billede af, hvad hvert værktøj er godt til, baseret på dit teams egne resultater. En ny forsker, en ny agent eller en ny model starter med det billede i stedet for at skulle finde frem til det igen.
Hvorfor forskning har brug for AI, der lærer sine værktøjer at kende.
Forskningsteams er afhængige af værktøjer. Valget af det rigtige, med de rigtige indstillinger, er ofte dér, hvor omkostningen ved et resultat afgøres.
De fleste teams har mere end én måde at besvare det samme spørgsmål på: en hurtigere metode og en mere grundig, to simulatorer med forskellige styrker, en analyse, der fungerer godt på én type data og dårligt på en anden. Hvilken der passer til et givet problem, er knowhow, som erfarne forskere har, og som en agent, der starter en ny session, ikke har.
Uden værktøjslæring vælger agenter værktøjer ud fra generel viden og de instruktioner, de får. De griber efter et værktøj, der allerede er kommet til kort på denne type problem, bruger indstillinger, som nogen allerede har fundet utilstrækkelige, og bruger regnekraft og instrumenttid på kørsler, teamet kunne have forudsagt.
Værktøjer har styrker
Hvert værktøj passer bedre til nogle problemer end andre, og dine egne resultater viser hvilke.
Indstillinger betyder noget
Det samme værktøj med forskellige indstillinger kan give et brugbart resultat eller en spildt kørsel.
Kørsler er dyre
En kørsel med det forkerte værktøj koster regnekraft eller instrumenttid, som et bedre valg ville have sparet.
Knowhow går videre
Det, erfarne forskere ved om dine værktøjer, bør blive i teamet, når de skifter rolle.


Sådan fungerer værktøjslæring i dit teams hverdag.
Dine agenter bliver ved med at bruge dine værktøjer, som de gør i dag. MS Duplex lærer af, hvordan hvert værktøj klarede sig, og bringer det med til det næste valg.
- 1
Din agent vælger et værktøj
Den kører en simulator, analysekode, en databaseforespørgsel eller et instrument via sin egen forbindelse, med de indstillinger, den valgte.
- 2
Udfaldet bekræftes
En test, en måling eller en ekspert bekræfter resultatet eller retter det og siger hvorfor.
- 3
Erfaringen gemmes
MS Duplex registrerer, hvordan værktøjet og indstillingerne klarede sig på den type problem, med evidensen og betingelserne.
- 4
Det næste valg er bedre informeret
Ved det næste lignende problem, i enhver session, agent eller model, starter agenten fra det, der virkede. Hvor betingelserne er anderledes, siger MS Duplex det.
Et eksempel, inden for ethvert felt, hvor en agent kører analyser.
Et teams agent vælger mellem to analyseværktøjer til en tilbagevendende type problem. I løbet af nogle uger bliver dens valg bedre, uden at nogen skriver en vejledning.
- 1
En langsom standard
I starten bruger agenten det mere grundige værktøj hver gang. En ekspert bemærker, at det hurtigere værktøj giver det samme bekræftede svar i simple tilfælde, og registrerer hvorfor.
- 2
En indstilling, der fejler
I et sværere tilfælde returnerer det hurtigere værktøj med sin standardindstilling et resultat, der ikke holder. Eksperten retter det, og MS Duplex gemmer indstillingen og de betingelser, den fejlede under.
- 3
Et bedre førstevalg
I det næste simple tilfælde vælger agenten det hurtigere værktøj. I det næste svære går den direkte til det grundige værktøj og lader den fejlede indstilling ligge.
- 4
Et fælles billede
En kollegas agent, på en anden model, møder den samme type problem. Den starter fra det samme billede af, hvilket værktøj der passer til hvilket tilfælde, med hver kilde dokumenteret.
Værktøjslæring gør de andre funktioner skarpere.
Det, MS Duplex lærer om dine værktøjer, indgår i hvert valg, resten af laget træffer.
Simulering før handling
Før en kostbar kørsel vejes mulighederne ud fra det, dit team har lært om hvert værktøj, så budgettet går dertil, hvor det mest sandsynligt bringer arbejdet videre.
Læring af årsag og virkning
Forbindelsen mellem et værktøj, dets indstillinger, betingelserne og resultatet bevares, så en anbefaling viser, hvad den bygger på.
Genbrugelige metoder
Et værktøj og en indstilling, der er bekræftet til en type problem, bliver en del af en metode, som dine agenter genbruger og tilpasser.
Beslutninger, der kender deres grænser
Hvor erfaringen tydeligt viser, hvilket værktøj der passer, træffes valget direkte; hvor den er tynd, går det videre til din model eller en forsker.
Det får dit team.
Agenter, der bliver bedre til at bruge dine værktøjer, med hvert valg knyttet til dit teams egne resultater.
Bedre værktøjsvalg
Hver kørsel føjer til det, dine agenter ved om, hvilket værktøj der passer til hvilket problem.
Bedre indstillinger
Indstillinger, der virkede, prøves først, og indstillinger, der kom til kort, holder op med at blive foreslået.
Dine eksisterende værktøjer
Dine simulatorer, din analysekode, dine databaser og instrumenter forbliver, som de er, og bruges mere effektivt.
Ét billede af hvert værktøj
Hvad hvert værktøj er godt til, baseret på dine egne resultater, samlet ét sted, som dit team kan gennemgå.
Færre spildte kørsler
Agenter holder op med at gribe efter et værktøj, der allerede er kommet til kort på den type problem.
Knowhow, der bliver
Det, dit team lærer om sine værktøjer, bliver i teamet, på tværs af personer, 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.

