MS DuplexApprentissage des outilsTout afficherAfficher moins
Apprentissage des outils.
Vos agents apprennent quel outil convient à quel problème.
MS Duplex apprend de la façon dont chaque outil s’est comporté sur chaque type de problème. Le choix suivant d’outil, de paramètre ou de méthode part de cette expérience, et vos outils restent tels quels.
Apprendre et s’améliorer · l’une des quatorze capacités de MS Duplex


Votre équipe obtient
- De meilleurs choix d’outils à chaque exécution
- Vos outils existants, utilisés plus efficacement
- Une vue unique des points forts de chaque outil
Ce que l’apprentissage des outils signifie pour votre équipe.
L’apprentissage des outils signifie que vos agents apprennent des outils qu’ils utilisent. Chaque fois qu’un agent exécute un simulateur, un code d’analyse, une requête de base de données ou un instrument, le résultat montre dans quelle mesure cet outil, avec ces paramètres, a servi ce type de problème. MS Duplex conserve cette expérience et l’apporte au choix suivant.
Vos agents continuent d’accéder à vos outils via leurs propres connexions. MS Duplex se place à côté d’eux et apprend de ce qui s’est passé : quel outil a donné un résultat confirmé, lequel s’est révélé insuffisant, et dans quelles conditions. Vos outils n’ont pas à changer pour cela.
Avec le temps, cela construit une vision unique de ce à quoi chaque outil est utile, tirée des propres résultats de votre équipe. Un nouveau chercheur, un nouvel agent ou un nouveau modèle part de cette vision au lieu de la reconstituer.
Pourquoi la recherche a besoin d’une IA qui apprend à connaître ses outils.
Les équipes de recherche reposent sur leurs outils. Choisir le bon, avec les bons réglages, est souvent ce qui détermine le coût d’un résultat.
La plupart des équipes disposent de plus d’une façon de répondre à la même question : une méthode plus rapide et une plus approfondie, deux simulateurs aux points forts différents, une analyse qui fonctionne bien sur un type de données et mal sur un autre. Savoir laquelle convient à un problème donné est un savoir-faire que portent les chercheurs expérimentés, et dont ne dispose pas un agent qui démarre une nouvelle session.
Sans apprentissage des outils, les agents choisissent leurs outils à partir de connaissances générales et des instructions qu’on leur donne. Ils se tournent vers un outil qui s’est déjà révélé insuffisant sur ce type de problème, utilisent des réglages que quelqu’un a déjà jugés insuffisants, et consomment du temps de calcul et d’instrument pour des exécutions dont l’équipe aurait pu prévoir l’issue.
Les outils ont leurs points forts
Chaque outil convient mieux à certains problèmes qu’à d’autres, et vos propres résultats montrent lesquels.
Les réglages comptent
Le même outil, avec des réglages différents, peut donner un résultat utile ou une exécution gaspillée.
Les exécutions coûtent cher
Une exécution sur le mauvais outil coûte du temps de calcul ou d’instrument qu’un meilleur choix aurait épargné.
Le savoir-faire s’en va
Ce que les chercheurs expérimentés savent de vos outils devrait rester dans l’équipe quand ils changent de poste.


L’apprentissage des outils au quotidien dans votre équipe.
Vos agents continuent d’utiliser vos outils comme aujourd’hui. MS Duplex apprend de la performance de chacun et met cette expérience au service du choix suivant.
- 1
Votre agent choisit un outil
Il lance un simulateur, du code d’analyse, une requête sur une base de données ou un instrument via sa propre connexion, avec les réglages qu’il a choisis.
- 2
Le résultat est confirmé
Un test, une mesure ou un expert confirme le résultat, ou le corrige en expliquant pourquoi.
- 3
L’expérience est conservée
MS Duplex consigne la performance de cet outil et de ces réglages sur ce type de problème, avec les preuves et les conditions.
- 4
Le choix suivant est mieux éclairé
Sur le prochain problème similaire, dans n’importe quelle session, avec n’importe quel agent ou modèle, l’agent part de ce qui a fonctionné. Là où les conditions diffèrent, MS Duplex le signale.
Un exemple, dans tout domaine où un agent mène des analyses.
L’agent d’une équipe choisit entre deux outils d’analyse pour un type de problème récurrent. En quelques semaines, ses choix s’améliorent sans que personne ait à rédiger de guide.
- 1
Un choix par défaut lent
Au début, l’agent utilise à chaque fois l’outil le plus approfondi. Un expert note que l’outil plus rapide donne la même réponse confirmée sur les cas simples, et consigne pourquoi.
- 2
Un réglage qui échoue
Sur un cas plus difficile, l’outil plus rapide, avec son réglage par défaut, renvoie un résultat qui ne tient pas. L’expert le corrige, et MS Duplex conserve le réglage et les conditions dans lesquelles il a échoué.
- 3
Un meilleur premier choix
Sur le cas simple suivant, l’agent choisit l’outil plus rapide. Sur le cas difficile suivant, il passe directement à l’outil approfondi et laisse de côté le réglage qui a échoué.
- 4
Une vision partagée
L’agent d’un collègue, sur un autre modèle, rencontre le même type de problème. Il part de la même vision de l’outil qui convient à chaque cas, chaque source étant consignée.
L’apprentissage des outils affûte les autres capacités.
Ce que MS Duplex apprend de vos outils alimente chaque choix que fait le reste de la couche.
Simuler avant d’agir
Avant une exécution coûteuse, les options sont pesées à partir de ce que votre équipe a appris sur chaque outil, afin que le budget aille là où il a le plus de chances de faire avancer le travail.
Apprendre les relations de cause à effet
Le lien entre un outil, ses réglages, les conditions et le résultat est conservé, si bien qu’une recommandation montre sur quoi elle repose.
Méthodes réutilisables
Un outil et un réglage confirmés pour un type de problème deviennent partie d’une méthode que vos agents réutilisent et adaptent.
Des décisions qui connaissent leurs limites
Là où l’expérience montre clairement quel outil convient, le choix est fait directement ; là où elle est mince, il revient à votre modèle ou à un chercheur.
Ce que votre équipe y gagne.
Des agents qui utilisent de mieux en mieux vos outils, chaque choix étant lié aux propres résultats de votre équipe.
De meilleurs choix d’outils
Chaque exécution enrichit ce que vos agents savent de l’outil qui convient à chaque problème.
De meilleurs réglages
Les réglages qui ont fonctionné sont essayés en premier, et ceux qui se sont révélés insuffisants cessent d’être proposés.
Vos outils existants
Vos simulateurs, votre code d’analyse, vos bases de données et vos instruments restent tels quels, et sont utilisés plus efficacement.
Une seule vision de chaque outil
Ce à quoi chaque outil est utile, tiré de vos propres résultats, en un seul endroit que votre équipe peut examiner.
Moins d’exécutions gaspillées
Les agents cessent de se tourner vers un outil qui s’est déjà révélé insuffisant sur ce type de problème.
Un savoir-faire qui reste
Ce que votre équipe apprend de ses outils reste dans l’équipe, d’une personne, 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.

