Aller au contenu
Advancing Bits to Master Atoms
← Tous les articles

MS Duplex8 min de lecture

Comment brancher MS Duplex sur l’IA que votre équipe utilise déjà.

Un guide pratique pour connecter à MS Duplex Claude, Codex, Cursor, d’autres agents qui parlent MCP et vos propres pipelines : les points d’entrée, les deux types de connexion, ce qui change dans le quotidien de votre équipe et ce qui vous appartient toujours.

Un adaptateur en croix bleu cobalt reliant un raccord droit argent satiné et un raccord coudé argent satiné, sur un socle en graphite à gradins.Un adaptateur en croix bleu cobalt reliant un raccord droit argent satiné et un raccord coudé argent satiné, sur un socle en graphite à gradins.

Quand une équipe de recherche envisage une couche d’apprentissage, elle a généralement déjà choisi son IA. Les scientifiques ont l’assistant vers lequel ils se tournent, les ingénieurs plateforme ont construit des agents et des pipelines autour de modèles précis, et les habitudes qui vont avec ont demandé des efforts pour se former. Une couche qui demanderait à tout le monde de passer à un nouvel outil commencerait par dépenser la bonne volonté dont elle a besoin.

MS Duplex est conçu pour se brancher sur la configuration dont vous disposez. Ce guide couvre les points d’entrée, les deux types de connexion et la façon de choisir entre eux, les décisions à prendre avant de vous connecter, ce qui change ensuite dans le quotidien de votre équipe et ce qui vous appartient toujours.

Les points d’entrée

Il existe deux familles de connexion, et de nombreuses organisations utiliseront les deux.

  • Vos assistants. Claude, Codex, Cursor et d’autres agents qui parlent MCP se connectent directement. MCP, le Model Context Protocol, est le standard ouvert qui donne des outils aux agents IA : un agent qui le parle peut donc accéder à MS Duplex. Vos scientifiques et ingénieurs gardent l’IA qu’ils connaissent.
  • Vos propres agents et pipelines. Les agents de recherche et les flux de travail que votre équipe a construits se connectent via l’API et le Python SDK de MS Duplex, avec le même apprentissage derrière chacun d’eux.

La même expérience se trouve derrière chaque connexion. Prenons une scientifique ou un ingénieur qui travaille dans Cursor, un collègue qui travaille dans Claude, et l’équipe plateforme qui exécute un pipeline de criblage récurrent via le Python SDK. Une correction que la première scientifique apporte dans son assistant est disponible pour l’agent du collègue et pour le pipeline, dans la mesure où vos règles le permettent, et un résultat que le pipeline confirme est disponible pour les deux assistants. Quel agent a fait le travail compte moins que ce que le travail a confirmé.

Vos agents continuent d’accéder à vos simulateurs, à votre code d’analyse, à vos bases de données et à vos instruments par leurs propres connexions, et connecter MS Duplex laisse ces connexions telles quelles. MS Duplex apprend comment chaque outil s’est comporté sur chaque type de problème et apporte cette expérience au prochain choix d’outil, de réglage ou de méthode.

Cinq modules enfichables en graphite, tous différents, disposés en arc, dont chacun envoie un fin câble bleu cobalt vers un même pivot central argent satiné.Cinq modules enfichables en graphite, tous différents, disposés en arc, dont chacun envoie un fin câble bleu cobalt vers un même pivot central argent satiné.
Cinq modules enfichables en graphite, tous différents, disposés en arc, dont chacun envoie un fin câble bleu cobalt vers un même pivot central argent satiné : des assistants et des pipelines différents, chacun connecté à sa manière, qui puisent tous dans un même espace d’expérience.

Connexion standard ou encadrée

Chaque agent se connecte de l’une des deux manières. La différence tient à la part de son travail qui passe par MS Duplex avant d’avoir lieu.

Connexion standard

Votre agent appelle MS Duplex pour récupérer l’expérience pertinente, suivre le plan et consigner les résultats que vous autorisez. C’est le moyen le plus rapide de commencer. L’agent s’appuie sur ce que votre équipe a confirmé, vos règles et préférences sont visibles dans son raisonnement, et les résultats que vous choisissez de capturer deviennent de l’expérience pour l’exécution suivante.

Connexion encadrée

Dans les environnements pris en charge qui disposent de hooks, les étapes que vous sélectionnez passent par MS Duplex, si bien que vos règles s’appliquent avant le début d’une simulation ou d’une exécution coûteuse. Là, une étape qui enfreint une règle est arrêtée avant de s’exécuter, et les étapes que vous marquez pour approbation, comme une simulation coûteuse ou une modification de données partagées, attendent une personne. Chaque approbation est consignée, avec l’indication de qui a approuvé quoi.

Une option par défaut raisonnable consiste à commencer par une connexion standard et à ajouter une connexion encadrée là où une mauvaise étape coûte cher. Une équipe dont l’agent revoit surtout des analyses peut être bien servie par la connexion standard. Une équipe dont l’agent lance des exécutions coûteuses sur un budget partagé, ou modifie des données sur lesquelles d’autres s’appuient, est le cas pour lequel la connexion encadrée a été conçue. Les deux peuvent coexister dans une même organisation, et un pilote utilise la connexion encadrée là où elle est pertinente.

Les décisions à prendre avant de vous connecter

Se connecter est surtout une affaire de choix, et ces choix portent davantage sur votre recherche que sur le logiciel. Réglez-les avec les personnes qui l’utiliseront.

  1. Choisir le travailChoisissez des flux de travail récurrents où les décisions se répètent et où une exécution erronée ou inutile coûte cher, comme recommander des réglages pour la prochaine exécution, classer des candidats, planifier des exécutions ou revoir des analyses. C’est là qu’un enseignement est le plus réutilisé.
  2. Choisir les agentsDécidez quels assistants et pipelines se connectent pour ce travail, et quelles personnes les utilisent. Différents groupes peuvent utiliser des IA différentes, qui puisent toutes dans la même expérience.
  3. Choisir la connexionUne connexion standard pour la plupart des agents au départ, et une connexion encadrée, dans les environnements pris en charge, pour les agents dont vous voulez faire vérifier les étapes avant leur exécution.
  4. Décider de ce qui compte comme confirméMS Duplex apprend des résultats et des corrections que vous choisissez de capturer. Convenez de ce qu’ils sont : un test réussi, une mesure, une conclusion approuvée, la correction d’un expert avec sa raison.
  5. Définir les règles, les préférences et les approbationsConsignez ce que votre équipe exige séparément de ce qu’elle préférerait faire, et sélectionnez les étapes qui attendent une personne. Une règle ajoutée plus tard s’applique dès la requête suivante, sans rien à réentraîner.
  6. Convenir de la configuration avec votre équipe sécuritéL’endroit où s’exécute MS Duplex et la façon dont vos données sont traitées sont convenus avec vos responsables de la sécurité et des données dès la première conversation.

Ce que votre équipe fait différemment : très peu de choses

Une fois connectés, vos scientifiques et ingénieurs continuent de travailler dans l’assistant qu’ils utilisent déjà, avec les mêmes modèles et les mêmes outils. Ils planifient, exécutent, analysent et proposent l’étape suivante comme avant. L’essentiel de ce qui change se passe à côté d’eux, dans ce que l’IA apporte à chaque requête.

Quelques habitudes font la différence, et chacune est un petit prolongement de ce que font déjà les équipes de recherche rigoureuses :

  • Confirmez les résultats là où la confirmation compte. Un test réussi, une mesure ou une conclusion approuvée devient une expérience dont part l’exécution suivante.
  • Corrigez l’agent en donnant une raison. Une correction qui dit pourquoi est conservée avec cette raison et les conditions dans lesquelles elle s’applique, si bien qu’elle atteint le prochain cas similaire.
  • Regardez de temps en temps ce qui a été appris. Chaque enseignement conserve sa source, et tout membre de l’équipe peut l’examiner, le corriger, le supprimer ou le restaurer.

Ce que l’équipe remarque, c’est surtout ce qui cesse de se produire. Une nouvelle session part de l’état actuel du travail : l’objectif, les décisions, les méthodes approuvées et la progression, si bien que personne ne réexplique le projet à l’IA. L’agent d’un collègue, sur un autre modèle, reprend là où le vôtre s’est arrêté. Ce qui a fonctionné devient la première chose que les agents essaient, et ce qui a échoué cesse d’être proposé. La correction d’un expert est apprise une fois et appliquée partout où elle convient, si bien que les experts cessent de se répéter.

Prenons une équipe qui connecte ses assistants et un pipeline de criblage. Au début, un expert corrige le classement de l’agent parce qu’une méthode de notation échoue au-delà d’une limite de fonctionnement connue, et consigne pourquoi. À la session suivante, l’agent vérifie cette limite avant de classer. Quand le pipeline rencontre un cas apparenté, MS Duplex fait remonter la correction avec sa source et indique quelle condition diffère. Personne n’a changé sa façon de travailler. Les agents ont changé ce qu’ils vérifient.

Ce qui vous appartient toujours

Brancher une couche d’apprentissage sur votre IA soulève une question légitime de propriété. La réponse porte sur trois éléments.

  • Vos modèles. MS Duplex apprend à côté du modèle, dont les poids restent inchangés. Changez de modèle, de client ou de fournisseur, et l’expérience construite par votre équipe reste à votre équipe. Utilisez un modèle pour les analyses difficiles et un autre pour le travail récurrent, tous deux puisant dans la même expérience.
  • Vos outils. Vos simulateurs, votre code d’analyse, vos bases de données et vos instruments restent tels quels : vos agents y accèdent par leurs propres connexions, et ils sont mieux exploités à mesure que MS Duplex apprend à quoi chacun sert le mieux.
  • Vos données et votre expérience. Les résultats confirmés, les corrections, les décisions, les méthodes et les plans s’accumulent dans un espace de stockage qui appartient à votre organisation. Les couches personnelle, d’équipe et d’organisation décident de qui voit quoi, les personnes et les agents n’accèdent qu’à ce que leur périmètre autorise, et rien n’en est partagé avec une autre entreprise.

Chaque élément conserve sa source, dans un historique signé de ce qui a été appris, utilisé et approuvé que votre équipe peut examiner et exporter. Un autre chercheur peut reconstituer une décision à partir de cet historique, et n’importe quel enseignement peut être corrigé ou supprimé individuellement, tout le reste demeurant tel quel.

Un meuble à tiroirs argent satiné sur trois niveaux, posé sur un socle en graphite, dont un tiroir légèrement ouvert laisse voir un intérieur bleu cobalt.Un meuble à tiroirs argent satiné sur trois niveaux, posé sur un socle en graphite, dont un tiroir légèrement ouvert laisse voir un intérieur bleu cobalt.
Un meuble à tiroirs argent satiné sur trois niveaux, posé sur un socle en graphite, dont un tiroir légèrement ouvert laisse voir un intérieur bleu cobalt : ce qu’apprennent vos agents connectés est classé sur des niveaux qui appartiennent à votre organisation et qu’elle peut ouvrir, vérifier et modifier.

Questions fréquentes

Nos scientifiques et ingénieurs doivent-ils changer d’outils d’IA ?

Non. Claude, Codex, Cursor et d’autres agents qui parlent MCP se connectent directement, et vos propres agents et pipelines se connectent via l’API et le Python SDK. Vos scientifiques et ingénieurs gardent l’IA qu’ils utilisent déjà.

Quelle est la différence entre une connexion standard et une connexion encadrée ?

Avec une connexion standard, votre agent appelle MS Duplex pour récupérer l’expérience pertinente, suivre le plan et consigner les résultats que vous autorisez. Avec une connexion encadrée, dans les environnements pris en charge qui disposent de hooks, les étapes que vous sélectionnez passent par MS Duplex, si bien qu’une étape qui enfreint une règle est arrêtée avant de s’exécuter et que les étapes que vous marquez attendent une approbation.

MS Duplex apprend-il de tout ce que font nos agents ?

Il apprend des résultats et des corrections d’experts que votre équipe choisit de capturer. Chaque enseignement conserve sa source et les conditions dans lesquelles il est valable, et votre équipe peut corriger ou supprimer n’importe lequel d’entre eux individuellement.

Pouvons-nous connecter plus d’un modèle ?

Oui. Votre équipe peut utiliser plusieurs modèles et agents à la fois, qui puisent tous dans la même expérience, et ce que l’un confirme est disponible pour les autres selon vos règles. Quand le modèle change, l’expérience suit.

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.

Continuer la lecture

Que chaque exécution profite de la précédente.

Apportez-nous la recherche dans laquelle votre IA devrait progresser. Nous planifierons un pilote sur vos propres flux de travail, avec vos experts comme juges.