Tu IA resuelve un caso difícil una vez. MS Duplex demuestra la respuesta y luego la reusa.
Paso 1 de 4: Un caso difícil
Tu modelo ayuda una vez y MS Duplex lo comprueba.
En un caso difícil se consulta a tu modelo una vez, y el resultado demostrado se reutiliza a partir de entonces.
Skill Fabric: habilidades reutilizables. Se ejecuta A petición, donde tus reglas lo permitan. En el Agent Operating System, es como cada agente gana nuevas habilidades, programas probados y la herramienta adecuada para cada trabajo.
Una llamada al modelo para todo un tipo de caso.
Por sí sola, tu IA vuelve a resolver el mismo caso difícil cada vez que aparece. Con MS Duplex, lo resuelve una vez.
Paso 1 de 3: El primer caso
Llega el primer turno en festivo.
Se consulta a tu IA una vez por cada nuevo tipo de caso difícil.
Cuando llega algo nuevo, tu IA ayuda una vez, MS Duplex demuestra la respuesta, y cada caso parecido recibe esa respuesta desde entonces.
Paso 1 de 4: Algo nuevo
Llega un caso aún sin respuesta demostrada: un turno de noche que pasa de medianoche y entra en un festivo.
Solo se consulta a tu IA donde tus reglas lo permiten.
En algunas áreas de trabajo, tus reglas mantienen los casos lejos de modelos externos. Ahí, MS Duplex declina, y decide tu equipo.
Paso 1 de 5: Permitido
En el área de nóminas, tus reglas permiten consultar un modelo, así que el caso sigue adelante.
Escribe y prueba programas pequeños.
Para una tarea bien definida, MS Duplex escribe un programa pequeño, lo prueba con casos conocidos y solo lo usa cuando los supera.
- Un programa pequeño, demostrado con casos conocidosEl trabajo repetitivo y bien definido lo hace un programa probado, casi sin coste por ejecución.
- Tu modelo ayuda una vez y MS Duplex lo compruebaEn un caso difícil se consulta a tu modelo una vez, y el resultado demostrado se reutiliza a partir de entonces.
- Un problema resuelto, respondido con su soluciónUn problema resuelto una vez no se vuelve a pagar nunca.
- La confianza en un programa sigue a sus resultadosLos resultados reales suben o bajan la confianza en cada programa.
- Cada método demostrado, por estado y responsableTu equipo ve cada método en el que se apoya MS Duplex, quién es su responsable y dónde se aplica.
- Un método, con sus pruebas y su historialCualquier método se puede inspeccionar, hasta sus pruebas y su trayectoria.
- Las piezas reutilizables detrás de sus programasLas piezas que se repiten una y otra vez están a la vista, así que tu equipo sabe sobre qué se apoya el trabajo nuevo.
- Las comprobaciones que respaldan un programaAntes de que tu equipo confíe en un programa, puede ver las pruebas que superó.
- Un método demostrado pasa a ser el preferidoEl método con mejor historial es el que se usa por defecto.
- Un método dudoso, pausado al instanteUn método que podría ser inseguro deja de usarse al instante.
- Un método arreglado vuelve a usarseCuando la causa se arregla y vuelve a superar las pruebas, un método vuelve a usarse.
- Un método erróneo, retirado para siempreUn método que resulta erróneo se retira, y nunca vuelve a usarse.
- Un programa borrado cuando la ley lo exigeUn programa y sus datos se borran cuando lo exige la ley o su responsable.
- Una pieza defectuosa, retirada allí donde se usóUna pieza defectuosa se retira, junto con cada método que la usaba.
- Las piezas que no dejan de repetirseLo que se repite en programas demostrados se convierte en una pieza compartida, así que los programas nuevos empiezan con ventaja.
- Cada método nuevo, probado antes de usarseUn método solo llega a tu trabajo cuando ha superado sus pruebas, tanto si es nuevo como si ha cambiado.
- Un área nueva empieza con métodos demostradosUn área de trabajo nueva puede empezar con una biblioteca de métodos demostrados, cada uno comprobado de nuevo en local.
- Lo que resuelven y ahorran sus programasTu equipo puede ver cuánto trabajo le quitan los programas a tu IA, y cuánto ahorra eso.
Compruébalo con tu propio trabajo.
De tu propio asistente a cada agente que ejecuta tu empresa, un piloto pone MS Duplex en tu propio trabajo, con las métricas acordadas antes de empezar.