Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex8 Min. Lesezeit

Eine Lernschicht für jedes Fachgebiet, in dem dein Forschungsteam arbeitet.

Warum MS Duplex in jedem Fachgebiet auf dieselbe Weise lernt: was sich von einer Art Forschung auf die nächste überträgt und wie die Erfahrung jedes Teams bei diesem Team bleibt.

Eine kobaltblaue kugelförmige Nabe, die etwa ein Dutzend nach außen strahlende satinsilberne Stäbe hält, über einem runden Sockel aus Graphit.Eine kobaltblaue kugelförmige Nabe, die etwa ein Dutzend nach außen strahlende satinsilberne Stäbe hält, über einem runden Sockel aus Graphit.

Nur wenige Forschungsorganisationen arbeiten in einer einzigen Disziplin. Ein einzelnes Unternehmen kann eine Gruppe haben, die Läufe plant, eine andere, die Kandidaten für Tests rankt, eine dritte, die Analysen prüft, und eine vierte, die Designs bewertet, jede mit eigenen Tools, Messgeräten und eigenem Vokabular. Wenn jede Gruppe ihre KI selbst einrichtet, hat die Organisation am Ende mehrere getrennte Setups, und was eine Gruppe lernt, bleibt dort, wo es gelernt wurde, oder ist weg, wenn die Sitzung endet.

MS Duplex wurde für genau diese Organisation entworfen. Es ist eine Lernschicht für jedes Fachgebiet, in dem ein Team arbeitet, eingebunden in die KI, die jede Gruppe bereits nutzt. Dieser Beitrag erklärt, warum dieselbe Schicht in jedem Fachgebiet lernen kann, was sich von einer Art Arbeit auf die nächste überträgt und wie die Erfahrung jedes Teams bei diesem Team bleibt.

Was Forschung über Fachgebiete hinweg gemeinsam hat

Die Themen unterscheiden sich von Gruppe zu Gruppe. Die Form der Arbeit ändert sich viel weniger. Ein Team entscheidet, was es versucht, führt es durch, prüft, was zurückkommt, und entscheidet erneut. Dabei baut es vier Arten von Wissen auf, und jedes Fachgebiet hat sie:

  • Methoden: Verfahren, bei denen bestätigt ist, dass sie funktionieren, etwa eine Reihenfolge von Schritten, eine Wahl von Einstellungen oder eine Reihe von Prüfungen.
  • Bedingungen: der Bereich, in dem ein Ergebnis bestätigt wurde und außerhalb dessen sich niemand darauf verlassen sollte.
  • Ergebnisse: was ein Test, eine Messung oder eine Expertin bzw. ein Experte bestätigt oder mit Begründung korrigiert hat.
  • Entscheidungen: was das Team gewählt hat und auf welche Belege sich die Wahl gestützt hat.

Daraus lernt MS Duplex. Ein bestätigtes Ergebnis wird zu Erfahrung, festgehalten mit seinen Belegen und seinen Bedingungen. Ein Verfahren, das funktioniert, wird zu einer Methode, die deine Agenten wiederverwenden. Eine Entscheidung behält die Belege dahinter, sodass andere Forschende sie aus dem Protokoll rekonstruieren können. Nichts davon hängt vom Thema der Arbeit ab. Es hängt davon ab, was dein Team bestätigt.

Die Expertise bleibt dort, wo sie schon heute liegt: bei deinen Wissenschaftlern und Ingenieuren, deinen Tools und den Modellen, die sie wählen. Eine Gruppe mit eigenen Simulatoren, eigenem Analysecode und eigenen Messgeräten greift weiterhin über ihre eigenen Verbindungen darauf zu. MS Duplex lernt daraus, wie die Arbeit ausgegangen ist, und bringt das in den nächsten Lauf ein. So wird die Schicht bei der Arbeit jedes Teams besser, indem sie aus den Ergebnissen dieses Teams lernt.

Eine Graphitschale mit einem geordneten Raster silberner Probenscheiben, von denen vier kobaltblau abgedeckt und durch eine dünne kobaltblaue Linie verbunden sind.Eine Graphitschale mit einem geordneten Raster silberner Probenscheiben, von denen vier kobaltblau abgedeckt und durch eine dünne kobaltblaue Linie verbunden sind.
Eine Graphitschale mit einem Raster silberner Probenscheiben, von denen vier kobaltblau abgedeckt und durch eine dünne Linie verbunden sind: Was auch immer die Schale enthält, die Ergebnisse, die ein Team bestätigt, sind es wert, verknüpft und behalten zu werden.

Derselbe Kreislauf, unabhängig vom Thema

MS Duplex macht Agenten in jedem Fachgebiet auf dieselbe Weise besser. Dein Team macht die Arbeit weiter, und was es bestätigt, wird einmal gelernt und von da an genutzt. Angenommen, drei Gruppen in einer Organisation nutzen Agenten für unterschiedliche Aufgaben: Eine empfiehlt Einstellungen für den nächsten Lauf, eine rankt Kandidaten für Tests, und eine prüft Analysen, bevor sie berichtet werden. Jede durchläuft dieselben Schritte.

  1. Der Agent schlägt vorDer Agent empfiehlt eine Einstellung, rankt eine Liste von Kandidaten oder markiert einen Schritt in einer Analyse und arbeitet dabei wie heute mit den eigenen Tools der Gruppe.
  2. Ein Ergebnis oder ein Experte bestätigtEin Lauf kommt zurück, ein Test wird bestanden oder ein Experte gibt die Schlussfolgerung frei. Wo der Agent falschlag, korrigiert ihn der Experte und sagt, warum.
  3. Die Lektion wird festgehaltenMS Duplex macht aus dem bestätigten Ergebnis Erfahrung: eine Methode, eine Korrektur oder eine Bedingung, jeweils mit den Belegen dahinter.
  4. Der nächste Fall setzt dort anDer nächste passende Fall, in jeder Sitzung, mit jedem Agenten, den die Gruppe autorisiert, und mit jedem Modell, beginnt mit dieser Erfahrung.
  5. Unterschiede werden markiertWo sich der neue Fall von den Bedingungen unterscheidet, unter denen die Lektion bestätigt wurde, weist MS Duplex darauf hin, und die Methode wird angepasst und zur Prüfung vorgeschlagen.

Für die Gruppe, die Einstellungen empfiehlt, könnte die Lektion lauten, dass eine Einstellung oberhalb einer bekannten Grenze scheitert. Für die Gruppe, die Kandidaten rankt, könnte es sein, dass eine Bewertungsmethode nur innerhalb eines bestimmten Bereichs gilt. Für die Prüfenden könnte es eine Kontrolle sein, die einen häufigen Fehler früh abfängt. Der Inhalt ist jedes Mal ein anderer. Was MS Duplex damit macht, ist dasselbe, und ebenso das, was das Team bekommt: weniger wiederholte Fehler, weniger verschwendete Läufe und ein Protokoll jeder Änderung im Verhalten des Agenten, mit ihrem Grund.

Bedingungen machen eine Lektion übertragbar

Sich an ein Ergebnis zu erinnern, ist der einfache Teil. Forschung verlangt etwas Schwierigeres: zu wissen, wo das Ergebnis gilt. Eine Einstellung, die in einem Bereich funktioniert hat, kann in einem anderen einen Lauf verschwenden, und eine Methode, die an einer Art von Eingabe bestätigt wurde, kann bei der nächsten in die Irre führen. Jedes Fachgebiet hat seine eigene Version dieses Problems. Deshalb hält MS Duplex jedes Ergebnis zusammen mit den Bedingungen fest, unter denen es bestätigt wurde.

Dadurch hat eine Lektion bei einem neuen Fall drei mögliche Wege. Wo die Bedingungen übereinstimmen, gilt sie direkt. Wo der Fall verwandt ist, aber etwas abweicht, wird die Methode angepasst und zur Prüfung vorgeschlagen, bevor sich jemand darauf verlässt. Wo die Beleglage dünn ist oder der Fall nichts bisher Gesehenem ähnelt, geht die Entscheidung mit Begründung an dein Modell oder an eine Forscherin oder einen Forscher.

Dieselbe Sorgfalt gilt, wenn sich ein Fakt ändert. Eine neue Messung ersetzt die alte, der neueste bestätigte Wert gilt ab der nächsten Anfrage, und die Historie dessen, was sich geändert hat, bleibt erhalten. In jedem Fachgebiet kostet ein veralteter Wert einen Lauf, der auf einer falschen Annahme beruht, und das Team sollte sehen können, wann und warum sich ein Wert geändert hat.

Die Erfahrung jedes Teams bleibt seine eigene

Auch eine einzige Schicht über alle Fachgebiete hinweg hält jede Lektion bei den Menschen, zu denen sie gehört. Alles, was MS Duplex lernt, liegt auf einer Ebene:

  • Persönlich: Die eigenen Arbeitsgewohnheiten und Präferenzen einer Wissenschaftlerin oder eines Ingenieurs prägen den eigenen Agenten, und nur diesen.
  • Team: Was ein Team bestätigt, wird mit diesem Team geteilt, sodass seine Agenten auf den eigenen Ergebnissen des Teams aufbauen.
  • Organisation: Was die Organisation als Standard übernimmt, gilt in jedem Team und für jeden Agenten.

Deine Regeln entscheiden, was zwischen den Ebenen wandert. Die Gruppe, die Kandidaten rankt, behält ihre Lektionen zur Bewertung auf ihrer eigenen Teamebene, und die Gruppe, die Analysen prüft, behält ihre Kontrollen auf ihrer. Menschen und Agenten erreichen nur die Erfahrung, die ihr Bereich erlaubt, und nichts davon wird mit einem anderen Unternehmen geteilt.

Manches Wissen ist es wert, über Gruppen hinweg geteilt zu werden, und dieses Teilen geschieht per Entscheidung. Angenommen, zwei Gruppen in unterschiedlichen Disziplinen führen beide eine kostspielige Art von Simulation durch, und eine von ihnen bestätigt eine Kontrolle, die ein fehlerhaftes Setup abfängt, bevor es startet. Ihre Leitung kann die Methode mit der anderen Gruppe teilen, oder die Organisation kann sie als Standard übernehmen. Die Methode behält ihre Quelle, wenn sie wandert, und wird dort, wo sie genutzt wird, erneut verifiziert, denn eine Kontrolle, die sich in der Arbeit einer Gruppe bewährt hat, muss sich in der nächsten erneut beweisen.

Drei ineinander geschachtelte Schalen, eine große Graphitschale mit einer silbernen Schale, die eine kleine kobaltblaue Schale enthält, jede mit eigenen Fächern.Drei ineinander geschachtelte Schalen, eine große Graphitschale mit einer silbernen Schale, die eine kleine kobaltblaue Schale enthält, jede mit eigenen Fächern.
Drei ineinander geschachtelte Schalen, eine große Graphitschale mit einer silbernen Schale, die eine kleine kobaltblaue Schale enthält, jede mit eigenen Fächern: persönliche, Team- und Organisationserfahrung, jede an ihrem eigenen Platz innerhalb einer Schicht.

Eine Schicht für die ganze Organisation

Für eine Forschungsleitung verändert eine Schicht, die in jedem Fachgebiet funktioniert, die Rechnung bei der Einführung von KI. Nicht mehr jede Gruppe braucht ihr eigenes Lern-Setup, ihre eigene Art, Freigaben festzuhalten, und ihre eigene Historie dessen, was der KI beigebracht wurde. Die KI-Arbeit der Organisation sammelt sich in einem Speicher, der ihr gehört, und das bringt einige praktische Dinge mit sich:

  • Regeln und Freigaben an einem Ort, jede Freigabe protokolliert, mit der Angabe, wer was freigegeben hat.
  • Eine einzige Historie dessen, was gelernt, genutzt und freigegeben wurde, bereit zum Prüfen und Exportieren.
  • Methoden, die nach deinen Regeln zwischen Gruppen wandern, jede mit dem Ergebnis, das sie belegt hat.
  • Die Freiheit für jede Gruppe, die KI zu nutzen, die sie bevorzugt: Claude, Codex, Cursor, einen anderen Agenten, der MCP spricht, oder eigene Agenten über die API und das Python SDK.
  • Erfahrung, die bei der Organisation bleibt, wenn ein Modell, ein Agent oder ein Anbieter wechselt.

Es verändert auch, was passiert, wenn Menschen wechseln. Wenn jemand aus der Forschung weiterzieht, bleiben die Methoden, die diese Person bestätigt hat, beim Team, und der Agent eines neuen Mitglieds startet mit den besten Methoden des Teams. Know-how, für das eine Gruppe Monate des Ausprobierens gebraucht hat, bleibt bei der Organisation, die dafür bezahlt hat.

Häufige Fragen

Muss MS Duplex für unser Fachgebiet entwickelt werden, bevor wir es nutzen?

MS Duplex lernt aus den Ergebnissen und Expertenkorrekturen, die dein Team festhalten will, in jedem Fachgebiet, in dem du Experimente, Simulationen, Analysen oder Design-Reviews mit KI durchführst. Die Fachexpertise bleibt bei deinen Wissenschaftlern und Ingenieuren, deinen Tools und deinen Modellen, und MS Duplex wird bei deiner Arbeit besser, indem es aus deinen Ergebnissen lernt.

Können Gruppen aus unterschiedlichen Disziplinen ein gemeinsames MS Duplex nutzen?

Ja. Alle Forschenden, jedes Team und die Organisation haben eine eigene Erfahrungsebene. Die Lektionen eines Teams bleiben bei diesem Team, und deine Regeln entscheiden, was mit einem anderen Team geteilt oder als Organisationsstandard übernommen wird, wobei die Quelle erhalten bleibt.

Woher wissen wir, dass es bei unserer Art von Forschung funktioniert?

Mit einem Pilotprojekt an deiner eigenen Arbeit. Wähle wiederkehrende Workflows, in denen sich Entscheidungen wiederholen, vereinbare den Maßstab mit deinen Experten, bevor irgendetwas läuft, lass dein bisheriges Setup und MS Duplex nebeneinander laufen und lass deine Experten die Ergebnisse blind bewerten.

Gebaut von MatterSpace

MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.

Weiterlesen

  • Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.

    MS Duplex8 Min. Lesezeit

    MS Duplex stellt sich vor: selbstverbessernde Agenten für Teams in Wissenschaft und Technik.

    MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, und lässt sie aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernen. Was es ist, für wen es gedacht ist und wie du anfängst.

    Beitrag lesen →
  • Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.

    MS Duplex8 Min. Lesezeit

    Warum deine Forschungs-KI vergisst und was es dein Team kostet.

    Die meisten KI-Tools beginnen jede Sitzung mit dem, was das Modell wusste, als sein Training endete. Was das ein Forschungsteam kostet und was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden.

    Beitrag lesen →
  • Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.

    MS Duplex8 Min. Lesezeit

    Lernen aus jedem bestätigten Ergebnis, ohne Trainingslauf.

    Wie MS Duplex sich für Forschungsteams von Fine-Tuning unterscheidet: wofür sich beides eignet, warum eine Korrektur ab der nächsten Anfrage gilt und wie sich eine einzelne Lektion für sich ändern oder entfernen lässt.

    Beitrag lesen →

Damit der nächste Lauf vom letzten profitiert.

Bring uns die Forschung, in der deine KI besser werden soll. Wir planen ein Pilotprojekt an deinen eigenen Workflows, mit deinen Experten als Jury.