Una IA que aprende del trabajo de tu equipo cambia con el tiempo. Esa es la razón para tener una. También significa que la organización necesita respuestas a preguntas que ya se hace sobre las personas: quién le enseñó esto, quién lo comprobó, quién puede verlo, quién aprobó el paso que acaba de dar y cómo se deshace un error.
Un modelo que deja de aprender al final de su entrenamiento plantea menos de esas preguntas, porque no cambia entre versiones. En cuanto los resultados confirmados, las correcciones de expertos y las decisiones empiezan a determinar lo que hace un agente a continuación, la rendición de cuentas tiene que crecer con el aprendizaje. Este artículo repasa los controles que MS Duplex da a una organización de investigación, en el orden en que la mayoría de los equipos los configuran, y las preguntas que conviene resolver antes de que un agente empiece a aprender sobre trabajo compartido.
Empieza por las reglas
La investigación funciona con reglas fáciles de enunciar y caras de incumplir: un presupuesto de cómputo, un protocolo aprobado, datos de referencia que solo ciertas personas pueden modificar, una revisión antes de dar un resultado por definitivo. Junto a ellas están las preferencias: un método favorito, un ajuste predeterminado, la forma en que a un grupo le gusta presentar sus resultados. Ambas importan, y merecen un trato distinto.
MS Duplex mantiene separadas las reglas y las preferencias, y ambas siguen visibles en el razonamiento detrás de cada paso, así que cualquiera que revise el trabajo puede ver cuál lo determinó. Una preferencia puede sopesarse frente al caso que el agente tiene delante. Una regla es un límite dentro del cual se mantiene el trabajo.
Cómo se aplica una regla depende de cómo esté conectado MS Duplex. Con una conexión estándar, tu agente llama a MS Duplex para recuperar la experiencia relevante, y tus reglas y preferencias aparecen en su razonamiento. En un entorno gobernado, una configuración compatible con hooks, los pasos que selecciones pasan por MS Duplex antes de ejecutarse. Ahí, un paso que incumple una regla se detiene antes de empezar, y los pasos que tu equipo marca para aprobación, como una simulación cara o un cambio en datos compartidos, esperan a una persona. Cada aprobación se guarda con el paso que permitió y el nombre de la persona que la dio.
Las reglas cambian a medida que cambia la investigación. Un nuevo protocolo o límite de presupuesto se aplica desde la siguiente solicitud. No hay nada que reentrenar ni una nueva versión del modelo que validar, porque las reglas están en MS Duplex junto al modelo, dejando sus pesos tal como están.


Decide quién aprende qué
El conocimiento de investigación tiene dueños. Una parte es la forma de trabajar de un científico o ingeniero. Otra es un resultado que a un equipo le ha costado conseguir. Otra es el estándar que toda la organización debería seguir. Cuando una IA aprende en un único fondo compartido, el hábito de una persona puede acabar determinando el agente de todos, y un hallazgo temprano puede llegar más lejos de lo que permite su evidencia. Cuando no aprende nada entre personas, cada equipo redescubre lo que el equipo de al lado ya confirmó.
MS Duplex da a cada investigador, a cada equipo y a toda la organización su propia capa de experiencia. El agente de un investigador se apoya a la vez en su capa personal, en la capa de su equipo y en la capa de la organización. Las personas y los agentes solo acceden a la experiencia que permite su ámbito, con los permisos bajo tus controles. La experiencia pasa de una capa a otra cuando tus reglas la mueven, y nada de ella se comparte con otra empresa.
Supón que una investigadora se da cuenta de que su agente elige un ajuste de análisis que falla con cierto tipo de entrada, y lo corrige. Así es como podría avanzar esa corrección:
- Una lección personalLa corrección se guarda con su motivo y las condiciones en las que se aplica. Según las reglas del equipo, una corrección como esta empieza en su capa personal, así que determina su agente y el de nadie más.
- Confirmada por el equipoUn colega comprueba la corrección frente a los resultados confirmados del propio equipo. Pasa a la capa del equipo, y todos los agentes del equipo la aplican desde la siguiente solicitud.
- Compartida con un segundo equipoUn equipo vecino se encuentra con el mismo tipo de entrada. El responsable del primer equipo comparte con ellos el método corregido, con su fuente a la vista, y se vuelve a verificar en su trabajo.
- Adoptada como estándarLa dirección decide que el método debe aplicarse en toda la organización. Donde tus reglas lo exigen, el cambio en la experiencia compartida espera la aprobación de una persona, después pasa a la capa de la organización y se aplica en los agentes de todos los equipos.
- La fuente viaja con ellaEn cada paso, la lección conserva la corrección original, la evidencia que la respalda y el registro de quién la movió. Cualquiera que consulte el estándar puede rastrearlo hasta la investigadora que vio el problema por primera vez.
La misma estructura protege el trabajo personal. Las preferencias de una científica o un ingeniero, como cuánto razonamiento muestra su agente antes de una clasificación, se quedan en su propio agente y dejan los de los demás como estaban.
Mantén un registro que cualquiera pueda reconstruir
En investigación, una conclusión solo es tan útil como la evidencia que la respalda. Un revisor pregunta de dónde salió una cifra. Un colega quiere comprobar una decisión antes de basarse en ella. Un proyecto posterior necesita saber qué supuestos se sostenían en su momento. Una IA cuyas lecciones no tienen fuente los deja a todos sin respuesta.
En MS Duplex, cada elemento de experiencia muestra de dónde viene: el resultado, la medición o el juicio experto que lo respalda, y las condiciones en las que se confirmó. Cuando un agente recomienda un paso, tu equipo puede ver en qué lecciones se basa. Todo el registro está en un único historial firmado de lo que se aprendió, lo que se usó y lo que se aprobó, y las personas dentro de su ámbito pueden revisarlo y exportarlo. Un investigador que no estaba presente puede reconstruir una decisión a partir de ese historial y comprobarla por sí mismo.
Las aprobaciones están en el mismo historial que las lecciones. Cuando una revisión de proyecto pregunta por qué se ejecutó una simulación costosa, la respuesta incluye la lección que la recomendó, la regla que la retuvo para aprobación y la persona que dejó que siguiera adelante.
Corregir y eliminar una lección
Los errores ocurren en cualquier programa de investigación. Una medición resulta proceder de una configuración defectuosa, o la corrección de un experto solo era válida en condiciones más estrechas de lo que nadie anotó. Cuando el conocimiento se entrena en los pesos de un modelo, arreglar un elemento implica otra ejecución de entrenamiento, y otros conocimientos pueden deteriorarse por el camino. El fine-tuning sigue teniendo su lugar para cambiar lo que sabe un modelo de forma general; se adapta mejor a cambios amplios que a eliminar una lección equivocada.
En MS Duplex, cada lección es independiente. Corrige una lección y solo cambia esa lección, y la siguiente recomendación del agente usa la versión corregida. Elimina una lección y las recomendaciones que dependían de ella desaparecen con ella, mientras todo lo demás sigue como estaba. Si más adelante el equipo decide que la lección era correcta, puede restaurarse. Cuando una nueva medición sustituye a una antigua, se aplica el valor confirmado más reciente y se conserva el historial de lo que cambió.


Preguntas que conviene resolver antes de que un agente aprenda sobre trabajo compartido
La mayor parte del trabajo de gobernanza es organizativo. MS Duplex da a tu equipo los controles, y tu equipo decide cómo usarlos. Responde a estas preguntas por escrito antes de que los agentes empiecen a aprender sobre trabajo del que dependen varias personas.
- Qué reglas son reglas y cuáles son preferencias. Escribe las reglas como límites dentro de los cuales debe mantenerse el trabajo, y deja los hábitos y los valores predeterminados como preferencias.
- Qué pasos esperan a una persona. Las simulaciones caras y los cambios en datos compartidos suelen ser los primeros candidatos, y las aprobaciones se aplican en los entornos gobernados.
- Qué queda en lo personal, qué se comparte con un equipo y qué se adopta como estándar de la organización.
- Quién puede mover experiencia entre capas, y si un cambio en la capa de la organización necesita una aprobación.
- Quién revisa el registro, y quién puede corregir, eliminar o restaurar una lección.
- Dónde se ejecuta MS Duplex y cómo se tratan tus datos. Esto se acuerda con tus responsables de seguridad y de datos desde la primera conversación.
Preguntas frecuentes
¿Detiene MS Duplex un paso antes de que se ejecute?
En un entorno gobernado, una configuración compatible con hooks, sí: un paso que incumple una regla se detiene, y los pasos que marques para aprobación esperan a una persona. Con una conexión estándar, el agente llama a MS Duplex para obtener la experiencia relevante, y tus reglas y preferencias aparecen en su razonamiento.
¿Pueden los hábitos de un investigador cambiar el agente de todos?
Las preferencias personales se quedan en la capa de ese investigador y solo determinan su propio agente. Llegan a un equipo o a la organización solo cuando tus reglas las mueven allí, y conservan su fuente cuando lo hacen.
¿Qué pasa con las recomendaciones cuando eliminamos una lección?
Las recomendaciones que dependían de esa lección desaparecen con ella, y todo lo demás sigue como estaba. El cambio se conserva en el historial, y la lección puede restaurarse si tu equipo cambia de opinión.
¿Se comparte parte de nuestra experiencia con otra empresa?
No. La experiencia de cada capa pertenece a tu organización, sea cual sea el modelo o el proveedor que uses, y nada de ella se comparte con otra empresa. Dónde se ejecuta MS Duplex y cómo se tratan tus datos se acuerda con tus responsables de seguridad y de datos.


Construido por MatterSpace
MatterSpace construye MS Duplex para científicos, investigadores e ingenieros de cualquier campo, para que la IA que ya usan aprenda de cada resultado que confirman.









