Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex7 Min. Lesezeit

Ein Pilotprojekt mit MS Duplex planen: die Arbeit, die Bewertenden und der Maßstab.

Ein praktischer Leitfaden für die Planung eines Pilotprojekts mit MS Duplex an deiner eigenen Forschung: welche Arbeit du wählst, welche Workflows du anbindest, wer bewertet, was du misst und was dein Team erhält.

Ein kobaltblaues Prototypbauteil, gehalten zwischen zwei satinsilbernen Klemmen an einer Stange über einem gestuften Prüfstand aus Graphit.Ein kobaltblaues Prototypbauteil, gehalten zwischen zwei satinsilbernen Klemmen an einer Stange über einem gestuften Prüfstand aus Graphit.

Am klarsten erfährst du, ob eine lernende KI deinem Team hilft, wenn du zusiehst, wie sie aus der Arbeit deines Teams lernt. Eine Demo läuft am Problem eines anderen. Ein Pilotprojekt läuft an deinem, und die Menschen, die die Arbeit am besten kennen, entscheiden, ob es geholfen hat.

Dieser Leitfaden führt durch die Planung eines Pilotprojekts mit MS Duplex in der Reihenfolge, in der eine Forschungsleitung darüber nachdenken sollte: die Arbeit, die du wählst, die vier Schritte, die Workflows und die Verbindung, wer bewertet und was gemessen wird, und was dein Team erhält. Er setzt kein bestimmtes Fachgebiet voraus. Wo immer dein Team Experimente, Simulationen, Analysen oder Design-Reviews mit KI durchführt, ist der Plan derselbe.

Beginne mit der Forschung, in der deine KI besser werden soll

MS Duplex sorgt dafür, dass die KI, die dein Team bereits nutzt, aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernt. Sein Nutzen zeigt sich am stärksten dort, wo dieselben Arten von Entscheidungen immer wiederkehren, deshalb sollte das Pilotprojekt dort ansetzen. Eine einmal getroffene Entscheidung gibt dem System wenig, woraus es lernen kann. Eine Entscheidung, die dein Team jeden Tag trifft, gibt ihm jedes Mal etwas, das es verbessern kann.

Gute Kandidaten für ein Pilotprojekt haben einige Merkmale gemeinsam:

  • Die Entscheidungen wiederholen sich: Dieselbe Art von Wahl kehrt über Projekte, Personen oder Läufe hinweg wieder.
  • Ergebnisse werden bestätigt: Ein Test, eine Messung oder ein Expertenreview zeigt, ob der Vorschlag der KI standgehalten hat.
  • Fehler kosten etwas: Ein falscher oder unnötiger Lauf verbraucht Rechenleistung, Gerätezeit, Material oder die Aufmerksamkeit eines Experten.
  • Experten korrigieren die KI bereits: Dieselbe Korrektur wurde mehr als einmal gemacht, von denselben Personen.
  • Die Arbeit erstreckt sich über Sitzungen oder Personen: Eine Übergabe oder eine neue Sitzung bedeutet heute, das Projekt erneut zu erklären.

In den meisten Forschungsorganisationen führt das zu vertrauter Arbeit: Einstellungen für den nächsten Lauf empfehlen, Kandidaten für Tests ranken, eine Reihe von Läufen auf ein Ziel hin planen, entscheiden, welches Tool oder welche Methode für eine Analyse genutzt wird, oder Analysen prüfen, bevor sie als final markiert werden. Wähle einen oder zwei Workflows. Ein schmales Pilotprojekt mit einem klaren Maßstab sagt dir mehr als ein breites mit einem vagen Maßstab.

Angenommen, der Agent eines Teams empfiehlt Einstellungen für eine wiederkehrende Analyse, und ein erfahrener Wissenschaftler oder Ingenieur korrigiert ihn immer wieder, weil er eine bekannte Grenze der Methode ignoriert. Das ist ein starker Kandidat für ein Pilotprojekt. Die Entscheidung wiederholt sich, das Ergebnis wird durch Messung bestätigt, und die Korrektur hat einen Verantwortlichen, der beurteilen kann, ob sie Bestand hat.

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 silbernen Probenscheiben, von denen vier kobaltblau abgedeckt und durch eine dünne Linie verbunden sind: Ein gutes Pilotprojekt wählt aus allem, was das Team tut, einige zusammenhängende Workflows aus und verfolgt sie genau.

Die vier Schritte eines Pilotprojekts

Jedes Pilotprojekt mit MS Duplex folgt denselben vier Schritten. Sie sind so angelegt, dass das Ergebnis vor deinen eigenen Experten und vor allen, denen sie berichten, Bestand hat.

  1. Die Arbeit wählenWähle wiederkehrende Forschungsworkflows, in denen sich Entscheidungen wiederholen und ein falscher oder unnötiger Lauf teuer ist. Benenne die Personen, die für diese Workflows verantwortlich sind, denn sie werden Ergebnisse bestätigen und die Resultate beurteilen.
  2. Den Maßstab vereinbarenKläre mit deinen Experten, bevor irgendetwas läuft, wie das Pilotprojekt beurteilt wird: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die nötig ist, um dorthin zu kommen. Wenn ihr das zuerst schriftlich festhaltet, bleibt der Vergleich fair.
  3. Nebeneinander laufen lassenNutze dasselbe Modell, dieselben Tools, Daten und dasselbe Budget mit und ohne MS Duplex, sodass die Lernschicht der einzige Unterschied ist. Wo deine Umgebung es unterstützt, füge eine regelgesteuerte Verbindung hinzu, damit deine Regeln gelten, bevor kostspielige Schritte beginnen.
  4. Blind bewertenDeine Experten bewerten die Ergebnisse, ohne zu wissen, welches Setup sie erzeugt hat. Ihre Bewertungen, gemessen am vereinbarten Maßstab, sind das Ergebnis des Pilotprojekts.

Die Reihenfolge ist wichtig. Ein Maßstab, der gewählt wird, nachdem die Ergebnisse vorliegen, lädt zum Streit ein. Ein Vergleich ohne abgestimmte Vergleichsbasis kann die Lernschicht nicht von einem besseren Modell oder einem größeren Budget unterscheiden. Die blinde Bewertung hält die Erwartungen aller, unsere eingeschlossen, aus dem Urteil heraus.

Die Workflows und die Verbindung wählen

MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, sodass sie die Tools behalten, die sie kennen. Entscheide, über welche davon die gewählten Workflows laufen:

  • Claude, Codex, Cursor oder ein anderer Agent, der MCP spricht, den offenen Standard, der KI-Agenten Tools zur Verfügung stellt.
  • Deine eigenen Forschungsagenten und Pipelines, über die MS Duplex API und das Python SDK.

Wähle dann die Verbindung. Bei einer Standardverbindung ruft dein Agent MS Duplex auf, um relevante Erfahrung zurückzuholen, dem Plan zu folgen und die Ergebnisse festzuhalten, die du zulässt. Das ist der einfachste Einstieg. In unterstützten Umgebungen mit Hooks leitet eine regelgesteuerte Verbindung die Schritte, die du auswählst, über MS Duplex, sodass deine Regeln gelten, bevor eine kostspielige Simulation oder ein Lauf beginnt, und die Schritte, die du für eine Freigabe markierst, auf eine Person warten.

Kläre vor dem ersten Lauf drei Dinge mit den Verantwortlichen der Workflows. Erstens, welche Ergebnisse festgehalten werden: bestandene Tests, Messungen, freigegebene Schlussfolgerungen, Korrekturen mit ihren Gründen. Zweitens, wer sie bestätigt. Drittens, welche Regeln von Anfang an gelten, etwa ein Budgetlimit oder ein Schritt, der eine Freigabe braucht. MS Duplex lernt aus den Ergebnissen und Korrekturen, die dein Team festhalten will, daher bestimmt diese Liste, was das Pilotprojekt zeigen kann.

Fünf verschiedene Steckmodule aus Graphit, im Bogen angeordnet, führen jeweils ein dünnes kobaltblaues Kabel in einen zentralen, satinsilbernen Verteiler.Fünf verschiedene Steckmodule aus Graphit, im Bogen angeordnet, führen jeweils ein dünnes kobaltblaues Kabel in einen zentralen, satinsilbernen Verteiler.
Fünf verschiedene Steckmodule aus Graphit führen jeweils ein dünnes kobaltblaues Kabel in einen zentralen, satinsilbernen Verteiler: Das Pilotprojekt verbindet die Assistenten und Agenten, die dein Team bereits nutzt, mit einer Lernschicht.

Wer bewertet und was gemessen wird

Bewerten sollten die Experten, die für die Arbeit verantwortlich sind: die Personen, die sonst die KI korrigieren, ihre Schlussfolgerungen freigeben und entscheiden würden, was weitergeht. Wähle sie aus, bevor das Pilotprojekt startet, und halte sie aus dem Setup heraus, damit sie die Ergebnisse bewerten, ohne zu wissen, welches Setup sie erzeugt hat.

Der zentrale Maßstab ist der im zweiten Schritt vereinbarte: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert. „Akzeptiert“ heißt, dass deine Experten danach handeln würden. „Reproduzierbar“ heißt, dass andere Forschende es anhand des Protokolls rekonstruieren könnten. Beides sind Urteile, die dein Team bereits fällt. Das Pilotprojekt bittet dich, sie konsequent und blind zu fällen.

Bitte die Bewertenden und die Verantwortlichen der Workflows, neben dem zentralen Maßstab festzuhalten, was sie im Protokoll sehen:

  • Korrekturen, die ein Experte mehr als einmal machen musste
  • Läufe, die für Ansätze vorgeschlagen wurden, die das Team bereits hatte scheitern sehen
  • Entscheidungen, die MS Duplex direkt getroffen hat, und solche, die es an das Modell oder eine Person übergeben hat, jeweils mit Begründung
  • Wie eine neue Sitzung oder eine Übergabe die Arbeit aufgenommen hat
  • Ob sich jede Empfehlung auf ihre Quelle zurückführen ließ

Diese Notizen ersetzen den Maßstab nicht. Sie erklären ihn, und sie zeigen, wo die Lernschicht am meisten geholfen hat und wo sie wenig ausgemacht hat. Das brauchst du, um zu entscheiden, wo du sie als Nächstes einsetzt.

Was dein Team erhält

Ein gut geplantes Pilotprojekt hinterlässt deinem Team Belege, die es vertreten kann, und Erfahrung, die es behält.

  • Ein direkter Vergleich an deiner eigenen Arbeit, blind bewertet von deinen eigenen Experten anhand des Maßstabs, den du vereinbart hast
  • Das Protokoll dessen, was MS Duplex während des Pilotprojekts gelernt, genutzt und freigegeben hat, jeder Eintrag mit seiner Quelle, bereit zum Prüfen und Exportieren
  • Die dabei aufgebaute Erfahrung: bestätigte Ergebnisse mit ihren Bedingungen, Expertenkorrekturen mit ihren Gründen, Entscheidungen mit ihren Belegen und verifizierte Methoden
  • Ein klarer Überblick darüber, welche Workflows am meisten profitiert haben, als Orientierung für die nächsten Schritte deines Teams

Diese Erfahrung gehört deiner Organisation, egal welches Modell oder welchen Anbieter du nutzt. Persönliche, Team- und Organisationsebene sowie die Regeln, die entscheiden, was zwischen ihnen wandert, lassen sich so einrichten, wie deine Organisation ihre Arbeit bereits teilt. Die Gewohnheiten der einzelnen Forschenden bleiben persönlich, und was ein Team bestätigt, wird mit diesem Team geteilt.

Häufige Fragen

Müssen unsere Wissenschaftler und Ingenieure ihre Arbeitsweise ändern?

Sie behalten die KI, die sie bereits nutzen. MS Duplex lässt sich an Claude, Codex, Cursor und andere Agenten anbinden, die MCP sprechen, oder über die API und das Python SDK an deine eigenen Agenten. Hinzu kommt vor allem, Ergebnisse zu bestätigen und Korrekturen mit ihren Gründen festzuhalten, was die meisten Experten in irgendeiner Form bereits tun.

Verändert das Pilotprojekt unser Modell?

MS Duplex lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. In beiden verglichenen Setups läuft dasselbe Modell, sodass der Unterschied, den deine Experten sehen, von der Lernschicht kommt.

Können wir im Pilotprojekt mehr als ein Modell nutzen?

Ja. Die Erfahrung liegt in MS Duplex, sodass verschiedene Modelle auf dieselbe Erfahrung zurückgreifen können. Halte das Modell zwischen den beiden verglichenen Setups gleich, damit der Vergleich fair bleibt.

Wie fangen wir an?

Bring uns die Forschung mit, in der deine KI besser werden soll. Gemeinsam wählen wir die Workflows, vereinbaren den Maßstab mit deinen Experten und planen den Lauf im direkten Vergleich, mit deinen Experten als Bewertenden.

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.