MS DuplexAprendizaje de herramientasVer todoVer menos
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


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.


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

