Saltar al contenido
Advancing Bits to Master Atoms

Automejora.
Tus agentes mejoran con cada resultado confirmado.

La mayoría de los agentes de IA se comportan en su tarea número cien igual que en la primera. MS Duplex hace que los agentes que tu equipo ya usa mejoren con cada ronda de trabajo.

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

Una escalera de bloques cuadrados sobre un pedestal de grafito, de grafito rugoso abajo, de plata satinada más fina más arriba y con un bloque azul cobalto como último peldaño.Una escalera de bloques cuadrados sobre un pedestal de grafito, de grafito rugoso abajo, de plata satinada más fina más arriba y con un bloque azul cobalto como último peldaño.

Lo que obtiene tu equipo

  • Menos errores repetidos y ejecuciones desperdiciadas
  • Agentes que mejoran por sí solos entre revisiones
  • Un registro de cada cambio de comportamiento y su motivo

Qué significa la automejora para tu equipo.

La automejora significa que tus agentes cambian su forma de trabajar por lo que tu trabajo ha confirmado. Un enfoque que tuvo éxito pasa al principio de la lista. Un paso que falló en ciertas condiciones deja de proponerse en esas condiciones. Cada ronda de trabajo hace que la siguiente empiece más adelantada.

La medida son tus propios resultados. MS Duplex juzga cada cambio de comportamiento por los resultados que confirman tus pruebas, mediciones y expertos, y lo vincula a los resultados que lo justificaron. Como esa evidencia sigue llegando a medida que avanza el trabajo, tus agentes mejoran por sí solos entre revisiones.

Cada mejora queda registrada. Para cada cambio, tu equipo puede ver qué hace ahora el agente de forma distinta, desde cuándo y qué resultados lo justificaron. Cuando un responsable pregunta por qué el agente se comporta hoy mejor que el mes pasado, la respuesta está ahí, con sus fuentes.

Por qué la investigación necesita agentes que mejoren con el uso.

El trabajo de investigación se repite. Los mismos tipos de decisiones vuelven semana tras semana, y un agente que no aprende de ellas comete los mismos errores con el mismo coste.

Gran parte del trabajo con IA de un equipo de investigación es recurrente: clasificar candidatos, elegir ajustes, planificar el siguiente lote de ejecuciones, revisar un análisis. Cada ronda produce evidencia sobre lo que funcionó y lo que no. Un agente que mejora con el uso convierte esa evidencia en un mejor comportamiento ya en la siguiente ronda.

Sin automejora, la mejora tiene que venir de las personas. Los expertos revisan los mismos tipos de resultados y corrigen los mismos tipos de error, los prompts y las notas se alargan, y el agente sigue siendo tan bueno como la última vez que alguien editó sus instrucciones. La experiencia del equipo crece mientras la del agente se queda donde estaba.

  • El trabajo recurrente se acumula

    Una pequeña mejora en una decisión que tu equipo toma todos los días vale más que una gran mejora en una decisión que se toma una sola vez.

  • Las ejecuciones desperdiciadas son caras

    Cada enfoque fallido que un agente vuelve a proponer gasta por segunda vez cómputo, materiales o tiempo de instrumento.

  • Las revisiones tienen límites

    Los expertos no pueden comprobar cada paso, así que el agente tiene que mejorar entre sus revisiones además de durante ellas.

  • Los responsables necesitan ver el progreso

    Una mejora que tu equipo no puede vincular a una evidencia es difícil de creer y aún más difícil de defender.

Un medidor redondo de plata satinada sobre un soporte de grafito, con su aguja azul cobalto apuntando alto en una escala finamente grabada.Un medidor redondo de plata satinada sobre un soporte de grafito, con su aguja azul cobalto apuntando alto en una escala finamente grabada.

Cómo funciona la automejora en el día a día de tu equipo.

Tus agentes siguen haciendo el trabajo. MS Duplex toma los resultados que tu equipo decide capturar y los convierte en un mejor comportamiento para la siguiente ronda.

  1. 1

    El agente propone

    Recomienda un enfoque, un ajuste o un siguiente paso, basándose en lo que tu equipo ya ha confirmado.

  2. 2

    Llega el resultado

    Una prueba, una medición o un experto muestra si la propuesta funcionó, y en qué condiciones.

  3. 3

    El comportamiento cambia

    Lo que funcionó pasa a ser una de las primeras opciones del agente. Lo que falló en esas condiciones deja de proponerse allí.

  4. 4

    El cambio queda registrado

    Cada mejora se conserva con los resultados que la justificaron, así que tu equipo puede revisarla, corregirla o eliminarla.

Un ejemplo, en cualquier campo donde un agente planifica ejecuciones.

El agente de un equipo planifica lotes de ejecuciones hacia un objetivo. A lo largo de varias rondas de trabajo, sus planes mejoran, y el registro muestra por qué.

  1. 1

    Primera ronda

    El agente propone diez ejecuciones. Tres alcanzan el objetivo, y cuatro fallan por el mismo motivo: un ajuste fuera del rango en el que el método se cumple. El equipo confirma ambos resultados.

  2. 2

    Segunda ronda

    El agente parte del enfoque detrás de los tres éxitos y deja fuera de su plan el ajuste fallido en esas condiciones. Se dedican menos ejecuciones a lo que el equipo ya sabe que no funciona.

  3. 3

    Tercera ronda

    Una ejecución con una nueva combinación tiene éxito donde la antigua primera opción se quedó corta. El nuevo enfoque ocupa su lugar al frente, vinculado al resultado que lo justificó.

  4. 4

    La revisión

    En la siguiente revisión, la responsable abre el registro. Cada cambio en los planes del agente aparece con los resultados que lo respaldan, y uno que se basaba en un único resultado dudoso se elimina por separado, mientras el resto se mantiene.

La automejora se apoya en las demás capacidades.

Un mejor comportamiento depende de una buena evidencia, de motivos claros y de un registro en el que tu equipo pueda confiar.

  • Aprendizaje continuo

    Cada resultado confirmado se aprende desde la siguiente solicitud, lo que da a la automejora evidencia nueva en cada ronda.

  • Aprender causa y efecto

    Saber qué acción condujo a qué resultado, y en qué condiciones, permite a tus agentes mejorar en el lugar adecuado y dejar el resto como está.

  • Decisiones que conocen sus límites

    A medida que los enfoques demuestran su valor, más decisiones rutinarias se resuelven directamente, con menos llamadas al modelo en el trabajo recurrente.

  • Procedencia, revisión y desaprendizaje

    Cada cambio de comportamiento conserva su fuente, así que cualquiera de ellos puede revisarse, corregirse o eliminarse sin tocar el resto.

Lo que obtiene tu equipo.

Agentes que mejoran con cada ronda de trabajo, con cada mejora visible y vinculada a su evidencia.

de precisión por encima de un modelo con fine-tuning para la tarea, en trabajo recurrente, sin ninguna ejecución de entrenamiento, en las pruebas controladas de MatterSpace
+16 pts
  • Menos errores repetidos

    Un paso que falló en condiciones conocidas deja de proponerse en esas condiciones.

  • Menos ejecuciones desperdiciadas

    El cómputo, los materiales y el tiempo de instrumento van a enfoques respaldados por evidencia confirmada.

  • Mejora entre revisiones

    Los agentes mejoran por sí solos a medida que llegan los resultados, sin esperar a que alguien reescriba sus instrucciones.

  • Un registro de cada cambio

    Cada cambio de comportamiento aparece con lo que cambió, cuándo y los resultados que lo justificaron.

  • Medido en tu trabajo

    La mejora se juzga frente a los resultados que confirman tus propias pruebas, mediciones y expertos.

  • Sin ejecuciones de entrenamiento

    Tus agentes mejoran junto al modelo, dejando sus pesos tal como están, así que no hay ningún conjunto de datos que preparar ni ciclo de entrenamiento que esperar.

Preguntas frecuentes.

¿Cómo sabe MS Duplex que un agente ha mejorado?

Mide frente a resultados confirmados: los resultados que confirman tus pruebas, mediciones y expertos. Cada cambio de comportamiento está vinculado a los resultados que lo justificaron, así que tu equipo puede comprobar por sí mismo la evidencia de cualquier mejora.

¿Puede mi equipo ver por qué el agente se comporta de forma distinta?

Sí. Cada cambio de comportamiento queda registrado con su motivo y los resultados que lo respaldan. Tu equipo puede revisar cualquier cambio, y corregirlo o eliminarlo por separado mientras todo lo demás se mantiene.

¿Quién decide de qué aprende el agente?

Tu equipo. El agente mejora a partir de los resultados y las correcciones que tu equipo decide capturar, y tus científicos e ingenieros deciden qué se adopta. Tus reglas van primero, y en los entornos gobernados los pasos que selecciones esperan a una persona antes de ejecutarse.

¿En qué se diferencia la automejora del fine-tuning?

El fine-tuning mejora un modelo mediante una ejecución de entrenamiento sobre un conjunto de datos preparado. MS Duplex mejora tus agentes a partir de resultados confirmados a medida que avanza el trabajo, junto al modelo, y mantiene cada cambio editable. En las pruebas controladas de MatterSpace, MS Duplex superó a un modelo con fine-tuning para la tarea en trabajo recurrente.

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.