MS DuplexTool-LernenAlle anzeigenWeniger anzeigen
Tool-Lernen.
Deine Agenten lernen, welches Tool zu welchem Problem passt.
MS Duplex lernt daraus, wie jedes Tool bei jeder Art von Problem abgeschnitten hat. Die nächste Wahl von Tool, Einstellung oder Methode beginnt mit dieser Erfahrung, und deine Tools bleiben, wie sie sind.
Lernen und verbessern · eine der vierzehn Fähigkeiten von MS Duplex


Dein Team bekommt
- Bessere Tool-Wahl mit jedem Lauf
- Deine vorhandenen Tools, wirksamer genutzt
- Ein Überblick darüber, wofür jedes Tool gut ist
Was Tool-Lernen für dein Team bedeutet.
Tool-Lernen bedeutet, dass deine Agenten aus den Tools lernen, die sie nutzen. Jedes Mal, wenn ein Agent einen Simulator, Analysecode, eine Datenbankabfrage oder ein Messgerät einsetzt, zeigt das Ergebnis, wie gut dieses Tool mit diesen Einstellungen dieser Art von Problem gedient hat. MS Duplex hält diese Erfahrung fest und bringt sie in die nächste Wahl ein.
Deine Agenten greifen weiterhin über ihre eigenen Verbindungen auf deine Tools zu. MS Duplex arbeitet daneben und lernt aus dem, was passiert ist: welches Tool ein bestätigtes Ergebnis geliefert hat, welches nicht ausgereicht hat und unter welchen Bedingungen. Deine Tools müssen sich dafür nicht ändern.
Mit der Zeit entsteht so ein gemeinsamer Überblick darüber, wofür jedes Tool gut ist, gewonnen aus den eigenen Ergebnissen deines Teams. Ein neuer Forscher, ein neuer Agent oder ein neues Modell startet mit diesem Überblick, statt ihn erneut zu erarbeiten.
Warum Forschung KI braucht, die ihre Tools kennenlernt.
Forschungsteams leben von ihren Tools. Die Wahl des richtigen Tools mit den richtigen Einstellungen entscheidet oft darüber, was ein Ergebnis kostet.
Die meisten Teams haben mehr als einen Weg, dieselbe Frage zu beantworten: eine schnellere und eine gründlichere Methode, zwei Simulatoren mit unterschiedlichen Stärken, eine Analyse, die bei einer Art von Daten gut funktioniert und bei einer anderen schlecht. Welche davon zu einem bestimmten Problem passt, ist Know-how, das erfahrene Forschende mitbringen und das einem Agenten fehlt, der eine neue Sitzung beginnt.
Ohne Tool-Lernen wählen Agenten Tools anhand von Allgemeinwissen und den Anweisungen, die sie erhalten. Sie greifen zu einem Tool, das bei dieser Art von Problem schon einmal nicht ausgereicht hat, nutzen Einstellungen, die jemand bereits als unzureichend erkannt hat, und verbrauchen Rechen- und Gerätezeit für Läufe, deren Ausgang das Team hätte vorhersagen können.
Tools haben Stärken
Jedes Tool passt zu manchen Problemen besser als zu anderen, und deine eigenen Ergebnisse zeigen, zu welchen.
Einstellungen zählen
Dasselbe Tool kann mit anderen Einstellungen ein brauchbares Ergebnis liefern oder einen verschwendeten Lauf.
Läufe sind teuer
Ein Lauf auf dem falschen Tool kostet Rechen- oder Gerätezeit, die eine bessere Wahl gespart hätte.
Know-how zieht weiter
Was erfahrene Forschende über deine Tools wissen, sollte im Team bleiben, wenn sie die Rolle wechseln.


So funktioniert Tool-Lernen im Arbeitsalltag deines Teams.
Deine Agenten nutzen deine Tools weiter so wie heute. MS Duplex lernt daraus, wie jedes davon abgeschnitten hat, und bringt das in die nächste Wahl ein.
- 1
Dein Agent wählt ein Tool
Er nutzt über seine eigene Verbindung einen Simulator, Analysecode, eine Datenbankabfrage oder ein Messgerät, mit den Einstellungen, die er gewählt hat.
- 2
Das Ergebnis wird bestätigt
Ein Test, eine Messung oder ein Experte bestätigt das Ergebnis oder korrigiert es und sagt, warum.
- 3
Die Erfahrung wird festgehalten
MS Duplex hält fest, wie dieses Tool mit diesen Einstellungen bei dieser Art von Problem abgeschnitten hat, mit den Belegen und den Bedingungen.
- 4
Die nächste Wahl ist besser informiert
Beim nächsten ähnlichen Problem, in jeder Sitzung, bei jedem Agenten und jedem Modell, beginnt der Agent mit dem, was funktioniert hat. Wo die Bedingungen abweichen, weist MS Duplex darauf hin.
Ein Beispiel für jedes Fachgebiet, in dem ein Agent Analysen durchführt.
Der Agent eines Teams wählt bei einer wiederkehrenden Art von Problem zwischen zwei Analysetools. Innerhalb weniger Wochen werden seine Entscheidungen besser, ohne dass jemand eine Anleitung schreibt.
- 1
Ein langsamer Standard
Anfangs nutzt der Agent jedes Mal das gründlichere Tool. Eine Expertin stellt fest, dass das schnellere Tool bei einfachen Fällen dieselbe bestätigte Antwort liefert, und hält fest, warum.
- 2
Eine Einstellung, die scheitert
Bei einem schwierigeren Fall liefert das schnellere Tool mit seiner Standardeinstellung ein Ergebnis, das nicht standhält. Die Expertin korrigiert es, und MS Duplex hält die Einstellung und die Bedingungen fest, unter denen sie gescheitert ist.
- 3
Eine bessere erste Wahl
Beim nächsten einfachen Fall wählt der Agent das schnellere Tool. Beim nächsten schwierigen greift er direkt zum gründlichen Tool und lässt die gescheiterte Einstellung beiseite.
- 4
Ein gemeinsamer Überblick
Der Agent eines Kollegen trifft auf einem anderen Modell auf dieselbe Art von Problem. Er startet mit demselben Überblick darüber, welches Tool zu welchem Fall passt, mit jeder Quelle im Protokoll.
Tool-Lernen schärft die anderen Fähigkeiten.
Was MS Duplex über deine Tools lernt, fließt in jede Entscheidung ein, die der Rest der Schicht trifft.
Simulation vor dem Handeln
Vor einem teuren Lauf werden die Optionen anhand dessen abgewogen, was dein Team über jedes Tool gelernt hat, sodass das Budget dorthin fließt, wo es die Arbeit am wahrscheinlichsten voranbringt.
Ursache und Wirkung lernen
Die Verbindung zwischen einem Tool, seinen Einstellungen, den Bedingungen und dem Ergebnis bleibt erhalten, sodass eine Empfehlung zeigt, worauf sie beruht.
Wiederverwendbare Methoden
Ein Tool und eine Einstellung, die sich für eine Art von Problem bestätigt haben, werden Teil einer Methode, die deine Agenten wiederverwenden und anpassen.
Entscheidungen, die ihre Grenzen kennen
Wo die Erfahrung klar zeigt, welches Tool passt, wird die Wahl direkt getroffen; wo sie dünn ist, geht sie an dein Modell oder an einen Forscher.
Was dein Team bekommt.
Agenten, die deine Tools immer besser nutzen, mit jeder Wahl an die eigenen Ergebnisse deines Teams geknüpft.
Bessere Tool-Wahl
Jeder Lauf erweitert, was deine Agenten darüber wissen, welches Tool zu welchem Problem passt.
Bessere Einstellungen
Einstellungen, die funktioniert haben, werden zuerst probiert, und Einstellungen, die nicht ausgereicht haben, werden nicht mehr vorgeschlagen.
Deine bestehenden Tools
Deine Simulatoren, dein Analysecode, deine Datenbanken und Messgeräte bleiben, wie sie sind, und werden wirksamer genutzt.
Ein Überblick über jedes Tool
Wofür jedes Tool gut ist, gewonnen aus deinen eigenen Ergebnissen, an einem Ort, den dein Team prüfen kann.
Weniger verschwendete Läufe
Agenten greifen nicht mehr zu einem Tool, das bei dieser Art von Problem schon einmal nicht ausgereicht hat.
Know-how, das bleibt
Was dein Team über seine Tools lernt, bleibt im Team, über Menschen, Agenten und Modelle hinweg.
Häufige Fragen.
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.

