Saltar al contenido
Advancing Bits to Master Atoms

Aprendizaje de herramientas.
Tus agentes aprenden qué herramienta sirve para cada problema.

MS Duplex aprende de cómo rindió cada herramienta en cada tipo de problema. La siguiente elección de herramienta, ajuste o método parte de esa experiencia, y tus herramientas siguen tal como están.

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

Un soporte de grafito con finos instrumentos de precisión de plata satinada, uno de ellos con mango azul cobalto y adelantado respecto a la fila.Un soporte de grafito con finos instrumentos de precisión de plata satinada, uno de ellos con mango azul cobalto y adelantado respecto a la fila.

Lo que obtiene tu equipo

  • Mejores elecciones de herramientas en cada ejecución
  • Tus herramientas actuales, mejor aprovechadas
  • Una visión única de para qué sirve cada herramienta

Qué significa el aprendizaje de herramientas para tu equipo.

El aprendizaje de herramientas significa que tus agentes aprenden de las herramientas que usan. Cada vez que un agente ejecuta un simulador, código de análisis, una consulta a una base de datos o un instrumento, el resultado muestra lo bien que esa herramienta, con esos ajustes, sirvió para ese tipo de problema. MS Duplex conserva esa experiencia y la aporta a la siguiente elección.

Tus agentes siguen accediendo a tus herramientas a través de sus propias conexiones. MS Duplex se sitúa junto a ellos y aprende de lo que ocurrió: qué herramienta dio un resultado confirmado, cuál se quedó corta y en qué condiciones. Tus herramientas no tienen que cambiar para ello.

Con el tiempo, esto construye una visión única de para qué sirve cada herramienta, basada en los propios resultados de tu equipo. Un investigador nuevo, un agente nuevo o un modelo nuevo parte de esa visión en lugar de tener que deducirla otra vez.

Por qué la investigación necesita una IA que aprenda sus herramientas.

Los equipos de investigación funcionan con herramientas. Elegir la adecuada, con los ajustes adecuados, es a menudo donde se decide el coste de un resultado.

La mayoría de los equipos tienen más de una forma de responder a la misma pregunta: un método más rápido y otro más exhaustivo, dos simuladores con puntos fuertes distintos, un análisis que funciona bien con un tipo de datos y mal con otro. Cuál encaja con un problema concreto es un conocimiento práctico que tienen los investigadores con experiencia, y que no tiene un agente que empieza una sesión nueva.

Sin aprendizaje de herramientas, los agentes eligen herramientas a partir del conocimiento general y de las instrucciones que reciben. Recurren a una herramienta que ya se quedó corta en este tipo de problema, usan ajustes que alguien ya consideró insuficientes y gastan cómputo y tiempo de instrumento en ejecuciones cuyo resultado el equipo podría haber previsto.

  • Las herramientas tienen puntos fuertes

    Cada herramienta encaja mejor con unos problemas que con otros, y tus propios resultados muestran con cuáles.

  • Los ajustes importan

    La misma herramienta con ajustes distintos puede dar un resultado útil o una ejecución desperdiciada.

  • Las ejecuciones son caras

    Una ejecución con la herramienta equivocada cuesta cómputo o tiempo de instrumento que una elección mejor habría ahorrado.

  • El conocimiento práctico se marcha

    Lo que los investigadores con experiencia saben sobre tus herramientas debería quedarse en el equipo cuando cambian de puesto.

Una consola de grafito con cinco diales giratorios de plata satinada, uno de ellos con un indicador azul cobalto girado hasta una posición.Una consola de grafito con cinco diales giratorios de plata satinada, uno de ellos con un indicador azul cobalto girado hasta una posición.

Cómo funciona el aprendizaje de herramientas en el día a día de tu equipo.

Tus agentes siguen usando tus herramientas como lo hacen hoy. MS Duplex aprende de cómo rindió cada una y lo aporta a la siguiente elección.

  1. 1

    Tu agente elige una herramienta

    Ejecuta un simulador, código de análisis, una consulta a una base de datos o un instrumento a través de su propia conexión, con los ajustes que eligió.

  2. 2

    Se confirma el resultado

    Una prueba, una medición o un experto confirma el resultado, o lo corrige y explica por qué.

  3. 3

    La experiencia se conserva

    MS Duplex registra cómo rindieron esa herramienta y esos ajustes en ese tipo de problema, con las evidencias y las condiciones.

  4. 4

    La siguiente elección está mejor informada

    En el siguiente problema similar, en cualquier sesión, agente o modelo, el agente parte de lo que funcionó. Donde las condiciones difieren, MS Duplex lo indica.

Un ejemplo, en cualquier campo donde un agente ejecuta análisis.

El agente de un equipo elige entre dos herramientas de análisis para un tipo de problema recurrente. En unas pocas semanas, sus elecciones mejoran sin que nadie escriba una guía.

  1. 1

    Una opción por defecto lenta

    Al principio, el agente usa siempre la herramienta más exhaustiva. Un experto observa que la herramienta más rápida da la misma respuesta confirmada en los casos sencillos, y registra por qué.

  2. 2

    Un ajuste que falla

    En un caso más difícil, la herramienta más rápida con su ajuste por defecto devuelve un resultado que no se sostiene. El experto lo corrige, y MS Duplex conserva el ajuste y las condiciones en las que falló.

  3. 3

    Una primera elección mejor

    En el siguiente caso sencillo, el agente elige la herramienta más rápida. En el siguiente caso difícil, va directamente a la herramienta exhaustiva y deja de lado el ajuste que falló.

  4. 4

    Una visión compartida

    El agente de un colega, con otro modelo, se encuentra con el mismo tipo de problema. Parte de la misma visión de qué herramienta encaja con cada caso, con cada fuente registrada.

El aprendizaje de herramientas hace más precisas las demás capacidades.

Lo que MS Duplex aprende sobre tus herramientas alimenta cada elección que hace el resto de la capa.

  • Simulación antes de actuar

    Antes de una ejecución costosa, las opciones se sopesan con lo que tu equipo ha aprendido sobre cada herramienta, para que el presupuesto vaya donde es más probable que haga avanzar el trabajo.

  • Aprender causa y efecto

    Se conserva el vínculo entre una herramienta, sus ajustes, las condiciones y el resultado, así que una recomendación muestra en qué se basa.

  • Métodos reutilizables

    Una herramienta y un ajuste confirmados para un tipo de problema pasan a formar parte de un método que tus agentes reutilizan y adaptan.

  • Decisiones que conocen sus límites

    Donde la experiencia muestra claramente qué herramienta encaja, la elección se hace directamente; donde es escasa, pasa a tu modelo o a un investigador.

Lo que obtiene tu equipo.

Agentes que mejoran en el uso de tus herramientas, con cada elección ligada a los propios resultados de tu equipo.

  • Mejores elecciones de herramienta

    Cada ejecución amplía lo que tus agentes saben sobre qué herramienta encaja con cada problema.

  • Mejores ajustes

    Los ajustes que funcionaron se prueban primero, y los que se quedaron cortos dejan de proponerse.

  • Tus herramientas actuales

    Tus simuladores, código de análisis, bases de datos e instrumentos siguen como están, y se usan con más eficacia.

  • Una visión de cada herramienta

    Para qué sirve cada herramienta, según tus propios resultados, en un solo lugar que tu equipo puede revisar.

  • Menos ejecuciones desperdiciadas

    Los agentes dejan de recurrir a una herramienta que ya se quedó corta en ese tipo de problema.

  • Saber hacer que se queda

    Lo que tu equipo aprende sobre sus herramientas se queda en el equipo, entre personas, agentes y modelos.

Preguntas frecuentes.

¿MS Duplex ejecuta nuestras herramientas?

Tus agentes acceden a tus simuladores, código de análisis, bases de datos e instrumentos a través de sus propias conexiones, como hoy. MS Duplex aprende de cómo rindió cada herramienta y aporta esa experiencia a la siguiente elección.

¿Qué aprende sobre una herramienta?

Cómo rindió en cada tipo de problema: qué herramienta y qué ajustes dieron un resultado confirmado, cuáles se quedaron cortos y en qué condiciones. Cada lección conserva su fuente, para que tu equipo pueda revisarla.

¿Tenemos que cambiar nuestras herramientas?

Tus herramientas siguen como están. MS Duplex aprende junto a ellas de los resultados que tu equipo decide capturar, así que las herramientas que ya tienes se usan con más eficacia.

¿Qué ocurre cuando añadimos una herramienta nueva?

Tus agentes acceden a ella a través de su propia conexión, como a cualquier otra herramienta. A medida que se usa y se confirman sus resultados, MS Duplex aprende cómo rinde en cada tipo de problema, junto a lo que ya sabe sobre tus otras herramientas.

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.