Die meisten Forschungsleitungen haben es schon erlebt. Ein Experte korrigiert die KI des Teams, die Sitzung endet, und in der Woche darauf taucht derselbe Fehler in der Sitzung eines Kollegen auf. Das Modell hat getan, was Modelle tun: Sein Wissen wurde festgelegt, als sein Training endete, und nichts, was das Team ihm seitdem gesagt hat, hat daran etwas geändert.
Kontinuierliches Lernen ist die Bezeichnung für KI, die nach der Inbetriebnahme weiterlernt. Der Begriff wird unscharf verwendet. Dieser Leitfaden zeigt, was er in der Praxis für ein Team bedeutet, das MS Duplex nutzt, worauf man im Lauf der Arbeit achten sollte, wie mit geänderten Fakten umgegangen wird und wie man beurteilt, ob es funktioniert.
Was kontinuierliches Lernen für dein Team bedeutet
In MS Duplex bedeutet kontinuierliches Lernen, dass die KI, die deine Wissenschaftler und Ingenieure bereits nutzen, aus ihrer Arbeit lernt. Wenn ein Test bestanden wird, eine Messung zurückkommt oder ein Experte eine Schlussfolgerung freigibt, wird die Lektion festgehalten und gilt ab der nächsten Anfrage. Wenn ein Experte den Agenten korrigiert und sagt, warum, wird die Korrektur mit ihrem Grund festgehalten.
Vier Eigenschaften machen das für ein Forschungsteam nützlich:
- Es lernt aus bestätigten Ergebnissen. Jede Lektion stammt aus einem Ergebnis, einer Messung oder dem Urteil eines Experten und verweist darauf zurück.
- Es hält Bedingungen zusammen mit Ergebnissen fest. Eine Lektion wird angewendet, wo die Bedingungen, unter denen sie bestätigt wurde, übereinstimmen, und markiert, wo sie abweichen.
- Es ergänzt, ohne zu löschen. Eine neue Lektion lässt das zuvor Gelernte unangetastet, sodass eine zu Beginn eines Projekts bestätigte Grenze auch gegen Ende noch zählt.
- Es lässt das Modell, wie es ist. Das Lernen findet neben dem Modell statt, dessen Gewichte bleiben, wie sie sind, deshalb funktioniert es mit Claude, Codex, Cursor, jedem Agenten, der MCP spricht, oder deinen eigenen Agenten und kommt mit, wenn du das Modell wechselst.
Dein Team behält die Kontrolle darüber, was gelernt wird. MS Duplex lernt aus den Ergebnissen und Korrekturen, die dein Team zur Erfassung auswählt, deine Wissenschaftler und Ingenieure entscheiden, was übernommen wird, und jede Lektion kann einzeln geprüft, korrigiert oder entfernt werden.
Wie eine Lektion durch die Arbeit wandert
Der Kreislauf ist in jedem Fachgebiet derselbe und passt in Arbeit, die dein Team ohnehin erledigt. Angenommen, der Agent eines Teams empfiehlt Einstellungen für den nächsten Lauf einer wiederkehrenden Analyse. Hier ist eine Lektion von Anfang bis Ende.
- Der Agent schlägt vorEr empfiehlt Einstellungen für den nächsten Lauf, mit dem Modell und den Tools, die das Team bereits nutzt, und stützt sich dabei auf das, was das Team bisher bestätigt hat.
- Ein Ergebnis oder ein Mensch bestätigtDer Lauf kommt wie vorhergesagt zurück, oder ein Prüfer lehnt die Empfehlung ab und hält fest, warum: Die Einstellungen ignorieren eine Grenze der Methode, die das Team gut kennt.
- MS Duplex hält die Lektion festDie Bestätigung oder die Korrektur wird mit ihren Belegen und den Bedingungen, unter denen sie gilt, festgehalten, bereit ab der nächsten Anfrage.
- Der nächste passende Fall beginnt damitIn jeder Sitzung, bei jedem Agenten, den das Team autorisiert, und mit jedem Modell beginnt ein Fall mit denselben Bedingungen mit dieser Lektion. Wo die Bedingungen abweichen, sagt MS Duplex das.
- Das Protokoll wächstDie Lektion fließt mit ihrer Quelle in eine einzige Historie ein, sodass jeder sehen kann, warum der Agent heute empfiehlt, was er empfiehlt, und was sich seit letztem Monat geändert hat.
An keiner Stelle bereitet jemand einen Datensatz vor oder plant einen Trainingslauf. Was das Team seinem Arbeitstag hinzufügt, ist eine Entscheidung darüber, welche Ergebnisse erfasst werden, und bei einer Korrektur ein Satz dazu, warum sie gemacht wurde.


Worauf du im Lauf der Arbeit achten solltest
Kontinuierliches Lernen zeigt sich in der Arbeit selbst, Stück für Stück. Eine Führungskraft, die weiß, worauf sie achten muss, kann es in jeder Phase erkennen. Das sind die Veränderungen, auf die du achten solltest, während sich Lektionen ansammeln.
Korrekturen wiederholen sich nicht mehr
Das erste Anzeichen ist das einfachste. Ein Experte korrigiert den Agenten einmal, und dieselbe Korrektur sollte in der nächsten Sitzung nicht nötig sein, ob nun der Experte oder ein Kollege an der Tastatur sitzt. Frag deine Experten, ob sie noch Korrekturen machen, die sie schon einmal gemacht haben. Wenn ja, finde heraus, ob diese Korrekturen erfasst wurden.
Was funktioniert hat, wird zuerst versucht
Während sich bestätigte Ergebnisse ansammeln, werden die Ansätze, die unter bestimmten Bedingungen funktioniert haben, zur ersten Wahl des Agenten für Fälle mit denselben Bedingungen, und gescheiterte Schritte werden nicht mehr vorgeschlagen. Weniger Läufe werden darauf verwendet, wiederzuentdecken, was das Team schon wusste, und der erste Vorschlag des Agenten bei einem vertrauten Fall ist öfter der, den ein Experte gemacht hätte.
Ältere Lektionen bleiben in Gebrauch
Ein Team, das schon eine Weile mit seiner KI arbeitet, hat Lektionen unterschiedlichen Alters. Prüfe, ob eine frühe Lektion dort, wo ihre Bedingungen übereinstimmen, noch angewendet wird, nachdem viele neuere hinzugekommen sind. Weil eine neue Lektion den Rest lässt, wie er war, prägt die Betriebsgrenze, die ein Experte zu Beginn eines Projekts bestätigt hat, auch später noch die Empfehlungen.
Neue Sitzungen und neue Kollegen starten mit Vorwissen
Ein Kollege, der eine neue Sitzung öffnet, mit einem anderen Assistenten oder einem anderen Modell, beginnt mit den Lektionen, die das Team bestätigt hat, jeweils mit ihrer Quelle. Die Qualität der Hilfe des Agenten hängt nicht mehr davon ab, wer zufällig in der letzten Sitzung dabei war.
Wie mit geänderten Fakten umgegangen wird
Forschungswissen entwickelt sich weiter. Eine neue Kalibrierung ersetzt einen alten Referenzwert, eine Neumessung löst eine Schätzung ab, ein Experte überarbeitet eine Grenze, nachdem mehr Daten vorliegen. Eine KI, die weiter den alten Wert zitiert, richtet stillen Schaden an, weil die Zahl mit der Sicherheit von etwas Gelerntem daherkommt.
Wenn in MS Duplex ein neuerer bestätigter Wert einen älteren ersetzt, gilt der neueste ab der nächsten Anfrage. Der ältere Wert bleibt in der Historie, mit dem Zeitpunkt und dem Grund der Änderung, sodass ein Prüfer weiterhin sehen kann, worauf sich eine frühere Entscheidung zum Zeitpunkt ihrer Entstehung stützte.
- 0 von 8.640Antworten zu einem geänderten Fakt nannten den veralteten Wert, in den kontrollierten Tests von MatterSpace
Diese Zahl stammt aus den kontrollierten Tests, die MatterSpace mit MS Duplex durchgeführt hat. Ein Pilotprojekt misst, was es bei deiner eigenen Arbeit leistet, und dort lohnt es sich, geänderte Fakten gezielt zu testen: Wähle einen Wert, den dein Team aktualisiert hat, und prüfe dann, welchen der Agent danach verwendet und ob die Historie die Änderung zeigt.
Ein geänderter Fakt ist etwas anderes als eine falsche Lektion, und MS Duplex behandelt beides auf eigene Weise. Stellt sich heraus, dass eine Lektion auf einer fehlerhaften Messung beruht, entfernt dein Team sie, und die Empfehlungen, die davon abhingen, verschwinden mit ihr, während alles andere bleibt. Galt eine Lektion unter engeren Bedingungen als festgehalten, korrigiert ein Experte sie, und nur diese Lektion ändert sich. Eine entfernte Lektion kann wiederhergestellt werden, wenn das Team seine Meinung ändert.


Wie du es beurteilst
Beurteile kontinuierliches Lernen an den Entscheidungen, die dein Team immer wieder trifft und bei denen ein falscher oder unnötiger Lauf teuer ist. Dort hat Lernen die meisten Gelegenheiten, sich zu zeigen, und dort kostet sein Fehlen am meisten.
MS Duplex wird in einem Pilotprojekt an deiner eigenen Arbeit beurteilt. Deine Experten einigen sich auf den Maßstab, bevor irgendetwas läuft: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert. Dasselbe Modell, dieselben Tools, Daten und dasselbe Budget laufen mit und ohne MS Duplex, und deine Experten bewerten die Ergebnisse, ohne zu wissen, welches Setup sie hervorgebracht hat.
Neben diesem Maßstab zeigen einige Fragen einer Führungskraft, ob das Lernen von der Art ist, auf die sich ein Forschungsteam verlassen kann:
- Können wir sehen, warum sich der Agent heute anders verhält? Jede Verhaltensänderung sollte auf das Ergebnis verweisen, das sie begründet hat.
- Zeigt jede Lektion ihre Quelle und ihre Bedingungen? Eine Empfehlung, die dein Team nicht nachvollziehen kann, muss es auf Treu und Glauben annehmen.
- Wenn wir einen Fakt aktualisieren, geht der Agent dann zum neuen Wert über, während die Historie erhalten bleibt?
- Können wir eine Lektion korrigieren oder entfernen und den Rest lassen, wie er war?
- Machen unsere Experten noch zweimal dieselbe Korrektur?
- Wird die Erfahrung in eine neue Sitzung, auf den Agenten eines Kollegen und auf ein anderes Modell übertragen?
Häufige Fragen
Wie schnell gilt eine Lektion?
Ab der nächsten Anfrage. Es gibt keinen Trainingszyklus, auf den man warten muss, und keine neue Modellversion, die nach jeder Lektion validiert werden muss.
Wer entscheidet, was die KI lernt?
Dein Team. MS Duplex lernt aus den Ergebnissen und Korrekturen, die dein Team zur Erfassung auswählt, und deine Wissenschaftler und Ingenieure entscheiden, was übernommen wird. Deine Regeln entscheiden, ob eine Lektion persönlich bleibt, mit einem Team geteilt wird oder in der ganzen Organisation gilt.
Verblassen ältere Lektionen, wenn neue hinzukommen?
Jede neue Lektion lässt frühere, wie sie waren. Eine ältere Lektion gilt nicht mehr, wenn ein neueres bestätigtes Ergebnis sie ersetzt oder wenn dein Team sie korrigiert oder entfernt, und die Historie hält fest, was davon geschehen ist.
Funktioniert kontinuierliches Lernen in unserem Fachgebiet?
MS Duplex lernt in jedem Fachgebiet, in dem ein Team Experimente, Simulationen, Analysen oder Designprüfungen mit KI durchführt. Der Kreislauf aus Arbeit, Bestätigung und Lernen ist überall derselbe, und die Erfahrung jedes Teams bleibt seine eigene.


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.









