Chaque équipe de recherche connaît la différence entre un résultat sur lequel elle peut bâtir et un résultat obtenu une seule fois. Le premier a été confirmé dans des conditions connues et tient quand quelqu’un le vérifie. Le second peut être une coïncidence. Ceux qui travaillent sur un projet depuis un certain temps gardent cette différence en tête. Un agent IA, par défaut, ne le fait pas : il recommande l’étape suivante avec la même assurance, que cette étape repose sur de nombreuses exécutions confirmées ou sur un seul après-midi chanceux.
Cet écart coûte de l’argent. Un réglage qui s’est trouvé précéder un succès est répété. Une option que l’équipe a déjà écartée est de nouveau proposée. Un cas qui ne ressemble à rien de ce que l’équipe a vu est traité comme courant, et une exécution coûteuse part dans la mauvaise direction. Cet article examine trois capacités de MS Duplex qui, ensemble, comblent cet écart : apprendre les relations de cause à effet, simuler avant d’agir, et des décisions qui connaissent leurs limites.
Garder la raison avec le résultat
Un résultat seul dit ce qui s’est passé. Il ne dit pas pourquoi. Supposons que deux exécutions atteignent la cible et qu’elles aient utilisé les deux mêmes réglages. Une IA qui ne conserve que les résultats n’a aucun moyen de savoir quel réglage a compté : elle recommande donc les deux, et une coïncidence commence à se comporter comme une règle.
MS Duplex conserve le lien entre ce qui a été fait, les conditions dans lesquelles cela a été fait et ce qui s’est passé ensuite, avec les preuves derrière chaque élément. À mesure que des exécutions confirmées s’ajoutent, le tableau se précise. Peut-être qu’un réglage conduit à la cible dans les conditions habituelles de l’équipe et que l’autre n’a fait aucune différence. Le premier devient un lien établi. Le second est écarté, et la recommandation suivante cesse de s’appuyer sur lui.
Ce qui change la journée d’une équipe, c’est l’étiquette. Chaque recommandation indique si le lien qui la sous-tend est établi ou pas encore établi, et pour quelles conditions. Quand un chercheur pose une question sur une condition que l’équipe n’a pas testée, MS Duplex recommande le réglage établi et indique que le lien n’y a pas été établi. Le chercheur voit une intuition signalée comme une intuition.
Chaque recommandation contient ce dont un collègue aurait besoin pour la vérifier :
- L’action recommandée, et les résultats confirmés auxquels elle a conduit
- Les conditions dans lesquelles ces résultats ont été confirmés
- Si le lien est établi pour les conditions actuelles, ou pas encore
- Les sources qui la fondent, pour qu’un autre chercheur puisse reconstituer la recommandation
Cela transforme les inconnues en plan. Les liens qui comptent le plus et qui ne sont pas encore établis sont ceux où la prochaine expérience est la plus utile. Une équipe peut exécuter le cas non testé comme un test délibéré, et le résultat confirmé soit étend le lien à la nouvelle condition, soit marque l’endroit où il cesse d’être valable. Dans les deux cas, la recommandation suivante en tient compte.


Projeter les options avant de dépenser le budget
La plupart des budgets de recherche se dépensent un choix à la fois : une longue simulation sur des ressources de calcul partagées, une expérience qui consomme un matériau rare ou du temps d’instrument, une revue de conception qui détourne un expert d’autres travaux. Chacun ne vaut la peine d’être lancé que s’il peut faire avancer le travail vers l’objectif. Avec un budget fixe, chaque impasse représente une exécution de moins pour une option qui aurait pu fonctionner.
Avant une étape coûteuse, MS Duplex pèse le résultat probable de chaque option au regard de l’objectif, en s’appuyant sur ce que votre équipe a déjà confirmé : les résultats, les conditions dans lesquelles ils sont valables, les corrections faites par vos experts et les exécutions qui ont échoué. Les options qui ne peuvent pas atteindre l’objectif, ou qui ont déjà échoué dans les mêmes conditions, sont écartées avant que quoi que ce soit n’y soit dépensé. Vos simulateurs, vos instruments et votre code d’analyse produisent toujours les résultats. MS Duplex aide à décider quelles exécutions valent la peine d’être lancées.
Supposons qu’une équipe dispose d’un budget pour trois longues exécutions pour ce tour et de neuf conceptions candidates sur la liste. Un tour pourrait se dérouler ainsi :
- La liste arriveL’agent propose neuf conceptions pour le tour, chacune avec les réglages sous lesquels elle serait exécutée.
- Chacune est peséeMS Duplex projette chaque conception au regard de l’objectif, à l’aide des résultats confirmés de l’équipe et des conditions dans lesquelles ils sont valables.
- Les impasses sont écartéesDeux conceptions répètent une combinaison qui a déjà échoué dans les mêmes conditions, et une autre dépend d’un réglage qu’un expert a corrigé plus tôt dans le projet. Chacune est écartée avec sa raison.
- Les preuves minces sont signaléesPour deux autres conceptions, l’expérience de l’équipe ne permet pas encore de privilégier l’une plutôt que l’autre. Ce choix va au modèle ou au responsable de l’équipe, avec une note sur ce qui manque.
- Trois exécutions sont lancéesLes conceptions les plus prometteuses passent par les propres outils de l’équipe. Dans un environnement encadré, une exécution au-delà de la limite de coût de l’équipe peut d’abord attendre l’approbation d’une personne.
- Le tour suivant part de plus loinLes résultats sont confirmés, le raisonnement derrière chaque exécution et chaque conception écartée reste consigné, et le tour suivant part de ce que celui-ci a montré.
Le relevé compte autant que le choix. Un responsable qui approuve une exécution coûteuse peut voir pourquoi elle a été choisie plutôt que les autres. Un chercheur qui rejoint le projet plus tard peut voir pourquoi une conception d’apparence prometteuse a été écartée, et si la raison est toujours valable.
Trancher ce qui est connu, transmettre ce qui ne l’est pas
Une grande partie du travail d’IA d’une équipe de recherche consiste à prendre la même décision, encore et encore : quel réglage convient à une analyse familière, si un candidat passe un crible connu, quelle méthode convient à un cas standard. Envoyer chacune de ces décisions à un modèle coûte des appels et du temps, et la réponse peut varier d’une exécution à l’autre même quand le cas n’a pas changé.
Là où une méthode confirmée par votre équipe s’applique clairement, dans des conditions correspondantes, MS Duplex prend la décision directement et de manière cohérente, souvent sans aucun appel au modèle. Chaque décision renvoie à la méthode et aux preuves qui la fondent. Là où les preuves sont minces, la décision va à votre modèle pour qu’il la raisonne, avec une note sur ce qui manque. Là où le cas ne ressemble à rien de ce que votre équipe a confirmé, il est signalé à un chercheur, avec la raison.
La prochaine fois que le cas se présente
La décision d’un chercheur sur un cas signalé est apprise avec sa raison. Quand un cas semblable arrive dans les mêmes conditions, MS Duplex peut le trancher directement, et l’expert n’a pas à répondre à la même question. Chaque décision confirmée élargit l’ensemble des cas que l’équipe peut trancher sans demander, et les transmissions qui restent sont celles qui nécessitent une personne.
- −89%d’appels au modèle en moins qu’avec un modèle fine-tuné pour la tâche, sur des travaux récurrents, lors des tests contrôlés de MatterSpace
Ce chiffre provient des tests contrôlés de MatterSpace sur des travaux récurrents, où les décisions tranchées par une méthode apprise ne nécessitent aucun appel au modèle. Il montre d’où viennent les économies : les dépenses liées au modèle vont aux cas qui demandent un raisonnement. Un pilote mesure ce qu’il fait sur votre propre travail.


Ce qui change pour ceux qui dirigent le travail
Les trois capacités reposent sur le même relevé, si bien que chacune renforce les autres. Ce que l’équipe apprend sur les relations de cause à effet est ce au regard de quoi chaque option est pesée avant une étape coûteuse. Là où les preuves favorisent clairement une option, le choix est tranché directement. Là où elles sont minces, il va à une personne. Chaque résultat qui revient enrichit les liens sur lesquels s’appuie le choix suivant.
Pour un responsable de recherche, le changement se voit à quelques endroits concrets :
- Des recommandations qui indiquent si elles reposent sur un lien établi ou sur une hypothèse.
- Des exécutions coûteuses choisies avec les alternatives et les raisons consignées.
- Du temps d’expert consacré aux décisions qui nécessitent un expert, chacune accompagnée d’une note expliquant pourquoi elle lui a été envoyée.
- Des décisions courantes prises de manière cohérente quand le même cas se présente dans les mêmes conditions.
- Des dépenses liées au modèle orientées vers les cas qui demandent un raisonnement.
Si un lien se révèle faux, l’équipe peut le corriger ou le supprimer isolément. Supprimez-le et les recommandations qui en dépendaient disparaissent avec lui, tandis que tout le reste demeure tel quel.
Le juger sur vos propres décisions
Le test équitable, c’est le travail que votre équipe répète déjà. Choisissez des flux de travail récurrents où les décisions reviennent encore et encore et où une exécution erronée ou inutile coûte cher. Convenez de la mesure avec vos experts avant tout lancement : le coût de chaque résultat accepté et reproductible, et le temps d’expert qu’il demande. Utilisez ensuite le même modèle, les mêmes outils, les mêmes données et le même budget, avec et sans MS Duplex, et laissez vos experts noter les résultats sans savoir quelle configuration les a produits.
Pour ce groupe de capacités, examinez de près les exécutions coûteuses consacrées à des options que l’équipe avait déjà écartées, vérifiez si chaque transmission a atteint la bonne personne avec une raison utile, et si un chercheur peut reconstituer une recommandation à partir du relevé sans aide.
Questions fréquentes
Comment MS Duplex sait-il qu’un lien est établi ?
Il ne considère un lien entre une action et un résultat comme établi que dans la mesure où les résultats confirmés de votre équipe le soutiennent, et uniquement pour les conditions dans lesquelles ils ont été confirmés. En dehors de ces conditions, la recommandation indique que le lien n’est pas encore établi.
« Simuler avant d’agir » remplace-t-il nos simulateurs ?
Vos simulateurs, vos instruments et votre code d’analyse produisent toujours les résultats. Simuler avant d’agir aide à décider quelles exécutions valent la peine d’être lancées, en pesant chaque option au regard de l’objectif et de ce que votre équipe a déjà confirmé.
Qui prend les décisions que MS Duplex ne tranche pas ?
Les cas qui demandent un raisonnement vont à votre modèle, avec une note sur les preuves qui manquent. Les cas qui ne ressemblent à rien de ce que votre équipe a confirmé sont signalés à un chercheur. La décision du chercheur est apprise avec sa raison, si bien que le prochain cas semblable peut être tranché directement.
Une personne peut-elle toujours approuver une exécution coûteuse ?
Oui. Dans les environnements encadrés, les étapes que votre équipe sélectionne, comme une simulation coûteuse, attendent l’approbation d’une personne avant de commencer, et l’approbation est consignée avec qui a approuvé quoi.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









