Saltar al contenido
Advancing Bits to Master Atoms

Decisiones que conocen sus límites.
Decide lo que la evidencia respalda y delega el resto.

MS Duplex toma las decisiones repetitivas directamente donde un método aprendido se aplica con claridad, a menudo sin ninguna llamada al modelo. Donde la evidencia es escasa o el caso es nuevo, pasa la decisión a tu modelo o la señala para un investigador, con el motivo.

Planificar y decidir · una de las catorce capacidades de MS Duplex

Una compuerta clasificadora de plata satinada en un marco de grafito, con esferas plateadas que caen en línea recta por el centro mientras las esferas azul cobalto se desvían por un canal lateral.Una compuerta clasificadora de plata satinada en un marco de grafito, con esferas plateadas que caen en línea recta por el centro mientras las esferas azul cobalto se desvían por un canal lateral.

Lo que obtiene tu equipo

  • Decisiones rutinarias tomadas con rapidez y coherencia
  • Decisiones difíciles dirigidas a la persona adecuada
  • Menores costes de modelo en el trabajo recurrente

Qué significan para tu equipo las decisiones que conocen sus límites.

Las decisiones que conocen sus límites vienen de una IA que sabe distinguir un caso que tu equipo ya ha resuelto antes de uno que no. Donde un método que tu equipo confirmó se aplica con claridad, MS Duplex toma la decisión directamente y de forma coherente, a menudo sin ninguna llamada al modelo.

Donde la evidencia es escasa, o el caso no se parece a nada que tu equipo haya confirmado, MS Duplex pasa la decisión. Va a tu modelo cuando el caso requiere razonamiento, o a un investigador cuando requiere criterio experto, y el motivo va con ella.

Cada decisión muestra qué camino siguió y por qué: el método en el que se basó y la evidencia que respalda ese método, o lo que faltaba cuando se pasó. Tu equipo puede ver qué decisiones fueron rutinarias, cuáles se pasaron y quién resolvió cada una.

Por qué la investigación necesita decisiones que conozcan sus límites.

Es difícil confiar en un agente que responde a cada pregunta con la misma seguridad. Los casos que más importan suelen ser los que nunca ha visto.

La mayoría de las decisiones de un flujo de trabajo de investigación se repiten: qué ajuste usar en un análisis conocido, qué candidato supera un cribado conocido, qué método encaja en un caso estándar. Volver a pasar cada una por un modelo cuesta llamadas, tiempo y dinero, y las respuestas pueden variar de una ejecución a otra aunque el caso no haya cambiado.

Los casos poco frecuentes necesitan el trato contrario. Un caso fuera de todo lo que tu equipo ha confirmado necesita el razonamiento de un modelo o el criterio de un investigador, y un agente que lo trata como rutinario puede enviar una ejecución costosa en la dirección equivocada. La investigación necesita una IA que conozca la diferencia y lo diga.

  • La coherencia importa

    El mismo caso, en las mismas condiciones, debería recibir la misma decisión cada vez que se presenta.

  • Las llamadas al modelo se acumulan

    El trabajo recurrente que pasa una y otra vez por un modelo cuesta más con cada ejecución.

  • El tiempo de los expertos es escaso

    Los investigadores deberían dedicar su tiempo a las decisiones que los necesitan, y ver por qué se les envió cada una.

  • Los casos nuevos son costosos

    Un caso nuevo tratado como rutinario puede gastar cómputo y tiempo de laboratorio en una ejecución que nunca iba a funcionar.

Un cambio de agujas ferroviario en miniatura sobre una base de grafito, con dos raíles de plata satinada que se separan de uno solo y una pequeña palanca azul cobalto colocada hacia una dirección.Un cambio de agujas ferroviario en miniatura sobre una base de grafito, con dos raíles de plata satinada que se separan de uno solo y una pequeña palanca azul cobalto colocada hacia una dirección.

Cómo funcionan las decisiones en el día a día de tu equipo.

Tu agente pide una decisión como hace hoy. MS Duplex mira lo que tu equipo ha confirmado y envía la decisión por el camino adecuado.

  1. 1

    Surge una decisión

    Tu agente necesita elegir un ajuste, clasificar un candidato, escoger un método o aprobar el siguiente paso.

  2. 2

    Se comprueba la evidencia

    MS Duplex mira lo que tu equipo ha confirmado para casos como este, y si las condiciones coinciden.

  3. 3

    Los casos rutinarios se resuelven

    Donde un método aprendido se aplica con claridad, MS Duplex toma la decisión directamente, a menudo sin llamada al modelo, y registra el método que usó.

  4. 4

    El resto se pasa

    Donde la evidencia es escasa o el caso es nuevo, la decisión va a tu modelo o se señala para un investigador, con el motivo.

Un ejemplo, en cualquier campo en el que un agente clasifique y decida.

El agente de un equipo criba un flujo constante de candidatos para una evaluación recurrente. En una semana, MS Duplex resuelve los casos conocidos y envía los inusuales adonde corresponden.

  1. 1

    Casos conocidos

    El lunes, la mayoría de los candidatos del día coinciden con un método de cribado que el equipo confirmó antes. MS Duplex los clasifica directamente, sin llamada al modelo, y cada clasificación remite al método que la respalda.

  2. 2

    Un caso con poca evidencia

    El martes, un candidato queda en el límite de lo que el equipo ha confirmado. MS Duplex se lo pasa al modelo con una nota sobre qué evidencia falta, y el modelo lo razona.

  3. 3

    Un caso nuevo

    El miércoles llega un candidato que no se parece a nada que el equipo haya visto. MS Duplex lo señala para un investigador, que decide y registra por qué, y la decisión se conserva con su motivo.

  4. 4

    La siguiente vez

    El viernes llega un candidato como el del miércoles, en las mismas condiciones. Ahora se aplica la decisión confirmada del investigador, así que MS Duplex lo resuelve directamente y al experto se le ahorra la misma pregunta.

Las decisiones que conocen sus límites funcionan con el resto de la capa.

Lo que MS Duplex puede decidir se basa en lo que las demás capacidades aprenden y conservan.

  • Métodos reutilizables

    Cada método verificado amplía el conjunto de casos que MS Duplex puede resolver directamente, con el método registrado.

  • Aprendizaje continuo

    La decisión de un investigador sobre un caso que se le pasó se aprende al instante, así que el siguiente caso similar puede resolverse sin volver a preguntar.

  • Reglas y aprobaciones

    Tus reglas van antes que cualquier decisión, y los pasos que selecciones siguen esperando a una persona, por rutinarios que parezcan.

  • Procedencia, revisión y desaprendizaje

    Cada decisión conserva el método y la evidencia en los que se basó, para que otro investigador pueda reconstruirla a partir del registro.

Lo que obtiene tu equipo.

Decisiones rutinarias rápidas y coherentes, decisiones difíciles en las manos adecuadas y menores costes de modelo en el trabajo recurrente.

menos llamadas al modelo que un modelo con fine-tuning para la tarea, en trabajo recurrente, en las pruebas controladas de MatterSpace
−89%
  • Decisiones rutinarias rápidas

    Donde un método aprendido se aplica con claridad, la decisión se toma directamente, a menudo sin llamada al modelo.

  • Respuestas coherentes

    El mismo caso en las mismas condiciones recibe la misma decisión, con el mismo método detrás.

  • Decisiones difíciles dirigidas al lugar adecuado

    Los casos con evidencia escasa van a tu modelo, y los casos que no se parecen a nada visto antes se señalan para un investigador.

  • Un motivo con cada traspaso

    Cada decisión que se pasa explica por qué, para que el modelo o la persona que la recibe sepa qué falta.

  • Menores costes de modelo

    El trabajo recurrente necesita muchas menos llamadas al modelo, así que el gasto en modelos va a los casos que requieren razonamiento.

  • Decisiones registradas

    Cada decisión muestra el método y la evidencia en los que se basó, o el motivo por el que se pasó.

Preguntas frecuentes.

¿Cuándo decide MS Duplex por su cuenta?

Cuando un método que tu equipo ha confirmado se aplica con claridad al caso, en condiciones coincidentes. Esas decisiones suelen tomarse sin ninguna llamada al modelo, y cada una remite al método y la evidencia que la respaldan.

¿Qué pasa cuando la evidencia es escasa?

MS Duplex pasa la decisión a tu modelo, o la señala para un investigador cuando el caso no se parece a nada visto antes. El motivo va con ella, para que quien tome la decisión sepa qué falta.

¿Esto reduce nuestros costes de modelo?

En el trabajo recurrente, sí. Las decisiones que resuelve un método aprendido no necesitan llamada al modelo, y en las pruebas controladas de MatterSpace, MS Duplex hizo muchas menos llamadas al modelo que un modelo con fine-tuning para la tarea. Un piloto mide lo que hace con tu propio trabajo.

¿Podemos corregir una decisión que tomó MS Duplex?

Sí. Cada decisión muestra la lección en la que se basó, y tu equipo puede corregir o eliminar esa lección por separado. Las recomendaciones que dependían de ella cambian con ella, y todo lo demás sigue como estaba.

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.