Saltar al contenido
Advancing Bits to Master Atoms

Aprender causa y efecto.
Tu IA aprende qué acción llevó a qué resultado.

MS Duplex conserva el vínculo entre lo que se hizo, las condiciones en las que se hizo y lo que ocurrió después. Usa esos vínculos para recomendar el siguiente paso, y avisa a tus investigadores cuando un vínculo aún no se ha establecido.

Aprender y mejorar · una de las catorce capacidades de MS Duplex

Una fila de esferas de plata satinada colgadas en un marco de grafito, con una esfera azul cobalto apartada en el extremo, a punto de golpear la fila.Una fila de esferas de plata satinada colgadas en un marco de grafito, con una esfera azul cobalto apartada en el extremo, a punto de golpear la fila.

Lo que obtiene tu equipo

  • Recomendaciones basadas en tus propios resultados
  • Separación clara entre lo que se sabe y lo que se supone
  • Mejor elección del siguiente experimento o ejecución

Qué significa aprender causa y efecto para tu equipo.

Aprender causa y efecto significa que MS Duplex conserva algo más que el resultado. Para cada resultado confirmado, conserva lo que se hizo, las condiciones en las que se hizo y lo que ocurrió después, vinculados entre sí, para que tu IA pueda saber qué acción llevó a qué resultado.

Esos vínculos determinan lo que recomiendan tus agentes. Cuando tu equipo pide el siguiente paso, MS Duplex se basa en las acciones que llevaron al resultado que buscas, en condiciones como las actuales, y deja de lado las acciones que llevaron a otra parte.

También dice lo que aún no sabe. Donde no se ha establecido un vínculo entre una acción y un resultado, MS Duplex se lo indica a tus investigadores, para que tu equipo pueda distinguir un hallazgo de una corazonada y elegir el siguiente experimento teniéndolo en cuenta.

Por qué la investigación necesita una IA que sepa por qué.

Dos resultados pueden parecerse y tener causas distintas. Una IA que solo conserva el resultado no puede saber qué acción repetir.

En investigación, un resultado importa por cómo se produjo. Una ejecución salió bien por un ajuste, en una condición concreta, después de un paso concreto. Cambia la condición y la misma acción puede llevar a otro sitio. La decisión sobre qué probar a continuación depende de saber qué parte del trabajo marcó la diferencia.

Cuando una IA solo conserva resultados, repite lo que casualmente ocurrió antes de un éxito y trata una coincidencia como una regla. Sus recomendaciones suenan igual de seguras tanto si se basan en muchos resultados confirmados como en una sola ejecución con suerte, y tus investigadores tienen que averiguar por su cuenta cuál es cuál.

  • Las condiciones deciden

    Una acción que funciona en unas condiciones puede fallar en otras, así que las condiciones tienen que viajar con el vínculo.

  • Hallazgos y corazonadas no son lo mismo

    Un equipo necesita saber qué recomendaciones se basan en vínculos establecidos y cuáles siguen siendo suposiciones.

  • La siguiente ejecución es cara

    Elegir bien el siguiente experimento depende de saber qué acciones movieron el resultado.

  • Las decisiones se cuestionan

    Cualquiera puede comprobar una recomendación que muestra la acción, las condiciones y el resultado que la respaldan.

Una línea ramificada de losetas de grafito en pie sobre un pedestal oscuro, con una loseta azul cobalto al principio y un recorrido de losetas plateadas caídas que conduce a una sola rama.Una línea ramificada de losetas de grafito en pie sobre un pedestal oscuro, con una loseta azul cobalto al principio y un recorrido de losetas plateadas caídas que conduce a una sola rama.

Cómo funciona aprender causa y efecto en el día a día de tu equipo.

Tu equipo registra lo que hizo y lo que ocurrió, como hace hoy. MS Duplex conserva los vínculos y los usa para la siguiente recomendación.

  1. 1

    Se realiza una acción

    El agente o un investigador ejecuta un paso con los ajustes elegidos, en condiciones conocidas.

  2. 2

    Se confirma el resultado

    Una prueba, una medición o un experto confirma lo que ocurrió después.

  3. 3

    Se conserva el vínculo

    MS Duplex conserva juntas la acción, las condiciones y el resultado, con la evidencia que los respalda.

  4. 4

    Se recomienda el siguiente paso

    Las recomendaciones se basan en vínculos establecidos para condiciones como las actuales, y un vínculo aún no establecido se indica como tal.

Un ejemplo, en cualquier campo en el que un agente recomiende la siguiente ejecución.

El agente de un equipo recomienda ajustes para la siguiente ejecución hacia un objetivo. Sus recomendaciones distinguen cada vez con más claridad lo que se sabe y lo que no.

  1. 1

    Aparece un patrón

    Varias ejecuciones con éxito comparten dos ajustes. Cada ejecución se registra con sus acciones, sus condiciones y su resultado confirmado.

  2. 2

    Se establece un vínculo

    Nuevas ejecuciones confirmadas muestran que uno de los dos ajustes lleva al objetivo en las condiciones habituales del equipo, y que el otro no influyó. MS Duplex conserva el primero como vínculo establecido.

  3. 3

    Una condición nueva

    Un investigador pide una recomendación en una condición que el equipo no ha probado. MS Duplex recomienda el ajuste establecido e indica que el vínculo aún no se ha establecido en esta condición.

  4. 4

    El siguiente experimento

    El equipo ejecuta ese caso como una prueba deliberada. El resultado confirmado extiende el vínculo a la nueva condición o marca dónde deja de cumplirse, y la siguiente recomendación lo refleja.

Causa y efecto da a las demás capacidades sus razones.

Saber por qué ocurrió un resultado hace más fácil confiar en cada plan, cada decisión y cada mejora.

  • Simulación antes de actuar

    Antes de un paso costoso, las opciones se proyectan hacia delante con los vínculos que tu equipo ha confirmado, para que el presupuesto vaya adonde apunta la evidencia.

  • Decisiones que conocen sus límites

    Donde un vínculo establecido se aplica con claridad, MS Duplex decide directamente; donde no, la decisión pasa a tu modelo o a un investigador, con el motivo.

  • Automejora

    Saber qué acción causó qué resultado permite a tus agentes mejorar en el lugar correcto, probando primero lo que llevó al éxito.

  • Procedencia, revisión y desaprendizaje

    Cada vínculo conserva los resultados en los que se basa, para que otro investigador pueda reconstruir una recomendación y comprobarla.

Lo que obtiene tu equipo.

Recomendaciones basadas en tus propios resultados, con una línea clara entre lo que se sabe y lo que se supone.

  • Recomendaciones a partir de tus resultados

    El siguiente paso se recomienda a partir de lo que tu propio trabajo confirmado muestra que llevó al resultado que buscas.

  • Lo sabido, separado de lo supuesto

    Cada recomendación muestra si el vínculo que la respalda está establecido o aún no lo está.

  • Condiciones conservadas con cada vínculo

    Una acción se recomienda donde las condiciones coinciden con aquellas en las que se confirmó.

  • Mejor elección de la siguiente ejecución

    Tu equipo puede dirigir el siguiente experimento o ejecución a los vínculos que más importan y aún no están establecidos.

  • Razones registradas

    Cada recomendación muestra la acción, las condiciones y el resultado que la respaldan, listos para revisar.

  • Vínculos que se mantienen

    Los vínculos que establece tu equipo se mantienen entre sesiones, agentes y modelos.

Preguntas frecuentes.

¿Cómo distingue MS Duplex un hallazgo de una corazonada?

Considera establecido un vínculo entre una acción y un resultado solo en la medida en que lo respaldan tus resultados confirmados. Donde un vínculo aún no se ha establecido, lo indica en la recomendación, para que tus investigadores puedan ver cuál es cuál.

¿Qué pasa cuando cambian las condiciones?

Cada vínculo se conserva con las condiciones en las que se confirmó. Cuando un caso queda fuera de ellas, MS Duplex indica que el vínculo aún no se ha establecido ahí, para que tu equipo pueda decidir si lo prueba.

¿Puede un investigador comprobar por qué se recomendó un paso?

Sí. Cada recomendación muestra la acción, las condiciones y los resultados que la respaldan, con sus fuentes. Otro investigador puede reconstruirla a partir del registro y comprobarla por sí mismo.

¿Y si un vínculo resulta ser erróneo?

Tu equipo puede corregirlo o eliminarlo por separado. Si lo eliminas, las recomendaciones que dependían de él desaparecen con él, mientras todo lo demás se mantiene.

Haz que la próxima ejecución aproveche la anterior.

Tráenos la investigación en la que tu IA debería mejorar. Planificaremos un piloto con tus propios flujos de trabajo, con tus expertos como jueces.