MS DuplexApprendre les relations de cause à effetTout afficherAfficher moins
Apprendre les relations de cause à effet.
Votre IA apprend quelle action a mené à quel résultat.
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. Il s’appuie sur ces liens pour recommander l’étape suivante, et indique à vos chercheurs quand un lien n’est pas encore établi.
Apprendre et s’améliorer · l’une des quatorze capacités de MS Duplex


Votre équipe obtient
- Des recommandations fondées sur vos propres résultats
- Une séparation claire entre ce qui est connu et ce qui est supposé
- De meilleurs choix pour la prochaine expérience ou exécution
Ce qu’apprendre les relations de cause à effet signifie pour votre équipe.
Apprendre les relations de cause à effet signifie que MS Duplex conserve plus que le résultat. Pour chaque résultat confirmé, il conserve ce qui a été fait, les conditions dans lesquelles cela a été fait et ce qui s’est passé ensuite, reliés entre eux, afin que votre IA puisse dire quelle action a conduit à quel résultat.
Ces liens orientent ce que vos agents recommandent. Lorsque votre équipe demande l’étape suivante, MS Duplex s’appuie sur les actions qui ont conduit au résultat souhaité, dans des conditions semblables aux conditions actuelles, et écarte les actions qui ont mené ailleurs.
Il indique aussi ce qu’il ne sait pas encore. Là où un lien entre une action et un résultat n’a pas été établi, MS Duplex le signale à vos chercheurs, afin que votre équipe puisse distinguer un constat d’une intuition et choisir la prochaine expérience en connaissance de cause.
Pourquoi la recherche a besoin d’une IA qui sait pourquoi.
Deux résultats peuvent se ressembler et avoir des causes différentes. Une IA qui ne conserve que le résultat ne peut pas dire quelle action répéter.
En recherche, un résultat compte en raison de la manière dont il a été obtenu. Une exécution a réussi grâce à un réglage, dans une certaine condition, après une certaine étape. Changez la condition, et la même action peut mener ailleurs. La décision sur ce qu’il faut essayer ensuite dépend de savoir quelle partie du travail a fait la différence.
Quand une IA ne conserve que les résultats, elle répète tout ce qui s’est trouvé précéder un succès et prend une coïncidence pour une règle. Ses recommandations semblent tout aussi sûres, qu’elles reposent sur de nombreux résultats confirmés ou sur une seule exécution chanceuse, et vos chercheurs doivent démêler eux-mêmes ce qui relève de l’un ou de l’autre.
Les conditions décident
Une action qui fonctionne dans certaines conditions peut échouer dans d’autres : les conditions doivent donc accompagner le lien.
Constats et intuitions diffèrent
Une équipe doit savoir quelles recommandations reposent sur des liens établis et lesquelles restent des hypothèses.
La prochaine exécution coûte cher
Bien choisir la prochaine expérience suppose de savoir quelles actions ont fait évoluer le résultat.
Les décisions sont remises en question
Une recommandation qui montre l’action, les conditions et le résultat qui la fondent peut être vérifiée par n’importe qui.


Comment l’apprentissage des relations de cause à effet fonctionne au quotidien dans votre équipe.
Votre équipe consigne ce qu’elle a fait et ce qui s’est passé, comme aujourd’hui. MS Duplex conserve les liens et s’en sert pour la recommandation suivante.
- 1
Une action est menée
L’agent ou un chercheur exécute une étape avec des réglages choisis, dans des conditions connues.
- 2
Le résultat est confirmé
Un test, une mesure ou un expert confirme ce qui s’est passé ensuite.
- 3
Le lien est conservé
MS Duplex conserve ensemble l’action, les conditions et le résultat, avec les preuves qui les appuient.
- 4
L’étape suivante est recommandée
Les recommandations s’appuient sur des liens établis pour des conditions semblables aux conditions actuelles, et un lien qui n’est pas encore établi est signalé comme tel.
Un exemple, dans tout domaine où un agent recommande la prochaine exécution.
L’agent d’une équipe recommande des réglages pour la prochaine exécution en vue d’une cible. Ses recommandations distinguent de plus en plus clairement ce qui est connu de ce qui ne l’est pas.
- 1
Une tendance apparaît
Plusieurs exécutions réussies partagent deux réglages. Chaque exécution est consignée avec ses actions, ses conditions et son résultat confirmé.
- 2
Un lien est établi
D’autres exécutions confirmées montrent que l’un des deux réglages mène à la cible dans les conditions habituelles de l’équipe, et que l’autre n’a fait aucune différence. MS Duplex conserve le premier comme lien établi.
- 3
Une nouvelle condition
Un chercheur demande une recommandation dans une condition que l’équipe n’a pas testée. MS Duplex recommande le réglage établi et indique que le lien n’est pas encore établi dans cette condition.
- 4
La prochaine expérience
L’équipe exécute ce cas comme un test délibéré. Le résultat confirmé étend le lien à la nouvelle condition ou marque l’endroit où il cesse de tenir, et la recommandation suivante en tient compte.
Les relations de cause à effet donnent leurs raisons aux autres capacités.
Savoir pourquoi un résultat s’est produit permet de faire plus facilement confiance à chaque plan, chaque décision et chaque amélioration.
Simuler avant d’agir
Avant une étape coûteuse, les options sont déroulées à l’avance à l’aide des liens que votre équipe a confirmés, afin que le budget aille là où les preuves le désignent.
Des décisions qui connaissent leurs limites
Là où un lien établi s’applique clairement, MS Duplex décide directement ; là où ce n’est pas le cas, la décision revient à votre modèle ou à un chercheur, avec la raison.
Auto-amélioration
Savoir quelle action a causé quel résultat permet à vos agents de s’améliorer au bon endroit, en essayant d’abord ce qui a mené au succès.
Provenance, revue et désapprentissage
Chaque lien conserve les résultats sur lesquels il repose, afin qu’un autre chercheur puisse reconstituer une recommandation et la vérifier.
Ce que votre équipe y gagne.
Des recommandations fondées sur vos propres résultats, avec une frontière claire entre ce qui est connu et ce qui est supposé.
Des recommandations fondées sur vos résultats
L’étape suivante est recommandée à partir de ce que votre propre travail confirmé montre comme ayant mené au résultat souhaité.
Le connu distingué du supposé
Chaque recommandation indique si le lien qui la fonde est établi ou pas encore établi.
Des conditions conservées avec chaque lien
Une action est recommandée là où les conditions correspondent à celles dans lesquelles elle a été confirmée.
De meilleurs choix pour la prochaine exécution
Votre équipe peut orienter la prochaine expérience ou exécution vers les liens qui comptent le plus et ne sont pas encore établis.
Des raisons consignées
Chaque recommandation montre l’action, les conditions et le résultat qui la fondent, prêts à être examinés.
Des liens qui se transmettent
Les liens que votre équipe établit se transmettent d’une session, d’un agent et d’un modèle à l’autre.
Questions fréquentes.
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.


Comment MS Duplex distingue-t-il un constat d’une intuition ?
Il ne considère un lien entre une action et un résultat comme établi que dans la mesure où vos résultats confirmés le soutiennent. Là où un lien n’est pas encore établi, il l’indique dans la recommandation, afin que vos chercheurs puissent faire la différence.