Vai al contenuto
Advancing Bits to Master Atoms
← Tutti gli articoli

MS Duplex8 min di lettura

Ti presentiamo MS Duplex: agenti auto-miglioranti per team di scienza e ingegneria.

MS Duplex si collega all’IA che i tuoi scienziati e ingegneri usano già e la fa imparare da risultati confermati, correzioni degli esperti e decisioni. Cos’è, a chi si rivolge e come iniziare.

Un modulo a blocco blu cobalto con file di porte rotonde, posato su una base rettangolare in argento satinato.Un modulo a blocco blu cobalto con file di porte rotonde, posato su una base rettangolare in argento satinato.

Un team di ricerca insegna qualcosa alla sua IA ogni settimana. Un esperto spiega perché un metodo fallisce oltre un limite noto. Un’esecuzione conferma quali impostazioni hanno funzionato. Una nuova calibrazione sostituisce un vecchio valore di riferimento. Nella maggior parte delle configurazioni nulla di tutto questo resta. La sessione successiva parte da ciò che il modello sapeva il giorno in cui è finito il suo addestramento, e il team paga di nuovo per la stessa lezione.

Oggi MatterSpace presenta MS Duplex: agenti auto-miglioranti per team di scienza e ingegneria. MS Duplex si collega all’IA che i tuoi scienziati e ingegneri usano già e la fa imparare mentre lavori. Ogni risultato confermato, correzione di un esperto e decisione diventa esperienza che i tuoi agenti riutilizzano, così ogni esecuzione parte da dove si è fermata l’ultima.

Cos’è MS Duplex e a chi si rivolge

MS Duplex è il livello auto-migliorante dell’IA scientifica di un team. Si affianca ai modelli e agli agenti che già usi, lasciandone invariati i pesi. Quando un test viene superato, arriva una misurazione o un esperto approva una conclusione, MS Duplex ne impara e applica la lezione dalla richiesta successiva, ovunque le condizioni siano adatte.

È anche il luogo in cui si accumula il lavoro di IA di un team. Risultati confermati con le loro condizioni, correzioni con i loro motivi, decisioni con le prove su cui si basavano, metodi verificati, piani e avanzamento di campagne lunghe, e quali strumenti hanno funzionato per quale problema: tutto si accumula in un archivio di proprietà della tua organizzazione. Cambia il modello, l’agente o il fornitore, e il team riprende da dove si era fermato.

Quattro lastre quadrate tenute perfettamente allineate da sottili perni argento: una base in grafite, una lastra argento che porta una griglia di sfere, una lastra blu cobalto e una lastra superiore argento a griglia fine.Quattro lastre quadrate tenute perfettamente allineate da sottili perni argento: una base in grafite, una lastra argento che porta una griglia di sfere, una lastra blu cobalto e una lastra superiore argento a griglia fine.
Quattro lastre quadrate tenute allineate da sottili perni d’argento, da una base in grafite a una sommità in argento finemente quadrettata: i livelli dello stack di IA di un team di ricerca, con MS Duplex come quello che impara dagli altri.

MS Duplex è progettato e realizzato per scienziati, ingegneri e ricercatori, e funziona in ogni campo. Ovunque un team svolga esperimenti, simulazioni, analisi o revisioni di progetto con l’IA, il ciclo è lo stesso. L’agente lavora con i tuoi strumenti. Un test, una misurazione o un esperto conferma il risultato, oppure lo corregge e spiega perché. MS Duplex conserva l’esito con le sue prove. Il caso corrispondente successivo, in qualsiasi sessione, agente o modello, parte da lì.

È pensato per le persone che portano avanti quel lavoro:

  • Responsabili di ricerca e ingegneria che vogliono che ciò che il team impara resti al team, qualunque modello usi in futuro.
  • Responsabili della ricerca computazionale che vogliono meno esecuzioni ripetute e decisioni che un altro ricercatore può ricostruire dal registro.
  • Responsabili di laboratorio e di piattaforma che hanno bisogno che le regole del team vengano applicate, e le approvazioni giuste concesse, prima che inizi un passaggio costoso.
  • Scienziati e ingegneri che preferirebbero spiegare un progetto, e una correzione, alla loro IA una volta sola.

Quattordici capacità in tre gruppi

In MS Duplex, apprendimento continuo, auto-miglioramento, pianificazione a lungo termine e memoria di ricerca lavorano come un unico livello, organizzato attorno agli obiettivi del tuo team. Sono quattordici capacità in tre gruppi, e ciascuna rafforza le altre.

Imparare e migliorare

  • Apprendimento continuo: impara da ogni risultato confermato a partire dalla richiesta successiva, e mantiene intatto ciò che aveva appreso prima.
  • Auto-miglioramento: ciò che ha funzionato diventa la prima cosa che i tuoi agenti provano, e ciò che è fallito smette di essere proposto.
  • Metodi riutilizzabili: una procedura verificata viene applicata direttamente al caso simile successivo, e adattata e proposta per una verifica su quelli correlati.
  • Apprendere causa ed effetto: conserva quale azione ha portato a quale esito, in quali condizioni, e dice quando un legame non è ancora stato stabilito.
  • Apprendimento degli strumenti: impara quale strumento, impostazione o metodo ha dato buoni risultati su quale tipo di problema.

Pianificare e decidere

  • Pianificazione a lungo termine: le campagne che durano giorni o settimane restano un unico lavoro, con il loro piano, i checkpoint e l’avanzamento.
  • Simulazione prima dell’azione: proietta in avanti le opzioni prima di spendere tempo di calcolo o di laboratorio, e scarta presto quelle che non possono raggiungere l’obiettivo.
  • Risolvere problemi nuovi: costruisce un approccio a un caso nuovo a partire da ciò che il team ha confermato, e lo verifica prima che qualcuno ci faccia affidamento.
  • Decisioni che conoscono i propri limiti: decide ciò che le prove supportano e passa il resto al tuo modello o a un ricercatore, con il motivo.

Ricordare e governare

  • Memoria di ricerca: ogni sessione parte dallo stato attuale del lavoro.
  • Libertà di cambiare modello: un nuovo modello parte con tutto ciò che il tuo team ha costruito.
  • Livelli personale, di team e di organizzazione: ciascuno ha la propria esperienza, e sono le tue regole a decidere cosa passa dall’uno all’altro.
  • Regole e approvazioni: le tue regole vengono prima, e i passaggi che scegli attendono una persona.
  • Provenienza, revisione e disapprendimento: ogni lezione conserva la sua fonte, e ciascuna può essere corretta o rimossa da sola.

I gruppi si sostengono a vicenda. Un risultato confermato il lunedì diventa un metodo. Il metodo entra nel piano di una campagna lunga. La memoria di ricerca porta quel piano nella sessione successiva, le regole decidono quali passaggi attendono una persona, e la provenienza mostra da dove viene ogni sua parte.

  • +16 puntipiù accurato di un modello sottoposto a fine-tuning per il compito, sul lavoro ricorrente, senza alcun addestramento
  • −89%chiamate al modello in meno rispetto al modello sottoposto a fine-tuning, sullo stesso lavoro
  • 0 su 8640risposte su un fatto cambiato hanno fornito il valore superato

Tutte e tre le cifre provengono dai test controllati di MatterSpace. Le prime due confrontano MS Duplex con un modello sottoposto a fine-tuning per il compito, sullo stesso lavoro ricorrente. La terza conta le risposte date dopo che un fatto era cambiato, in cui l’IA doveva usare il valore più recente. Il fine-tuning mantiene il suo ruolo quando si tratta di cambiare ciò che un modello sa a tutto campo, e MS Duplex lavora accanto a un modello con fine-tuning come accanto a uno generico.

Si collega all’IA che il tuo team usa già

Gli scienziati e ingegneri mantengono l’IA che conoscono. MS Duplex si collega a Claude, Codex, Cursor e ad altri agenti compatibili con MCP, lo standard aperto per dare strumenti agli agenti IA. I team che costruiscono i propri agenti e pipeline di ricerca aggiungono MS Duplex tramite la sua API e l’SDK Python, con lo stesso apprendimento dietro ciascuno di essi.

Ci sono due modi per collegarsi. Con una connessione standard, il tuo agente chiama MS Duplex per recuperare l’esperienza pertinente, seguire il piano e registrare gli esiti che consenti. È il modo più rapido per iniziare. Negli ambienti supportati con hook, una connessione governata fa passare attraverso MS Duplex i passaggi che selezioni, così le tue regole si applicano prima che inizi una simulazione o un’esecuzione costosa.

Cinque diversi moduli a spina in grafite disposti ad arco, ciascuno dei quali porta un sottile cavo blu cobalto a un unico hub centrale in argento satinato.Cinque diversi moduli a spina in grafite disposti ad arco, ciascuno dei quali porta un sottile cavo blu cobalto a un unico hub centrale in argento satinato.
Cinque diversi moduli a spina in grafite disposti ad arco, ciascuno dei quali invia un sottile cavo blu cobalto a un unico hub in argento satinato: molti assistenti e agenti, un unico livello di apprendimento dietro di loro.

I tuoi modelli, strumenti e dati restano tuoi. Gli agenti continuano a raggiungere simulatori, codice di analisi, database e strumenti tramite le proprie connessioni. MS Duplex impara dagli esiti e dalle correzioni degli esperti che il tuo team sceglie di registrare, e sono le tue regole a decidere cosa viene condiviso tra un ricercatore, un team e l’organizzazione. Nulla di tutto questo viene condiviso con un’altra azienda.

Supponiamo che uno scienziato o un ingegnere corregga la classifica dei candidati stilata da un agente perché il metodo usato fallisce oltre un limite operativo noto, e registri il perché. Due giorni dopo l’agente di un collega, su un modello diverso, incontra un caso correlato. MS Duplex recupera la correzione con la sua fonte e mostra quale ipotesi è cambiata. Nessuno ha dovuto aggiungere una riga a un file di appunti o spiegare il limite una seconda volta.

Un livello di apprendimento per ogni campo

MS Duplex è il livello di apprendimento di MatterSpace per ogni tipo di lavoro scientifico e ingegneristico. Ciò da cui impara è comune alla ricerca in qualsiasi campo: metodi, decisioni, le condizioni in cui vale un risultato e gli esiti che ne sono seguiti. L’esperienza di ogni team resta sua, nei propri livelli e secondo le proprie regole.

Come iniziare: un progetto pilota sul tuo lavoro

Il test equo per un’IA che dichiara di imparare è il lavoro che il tuo team svolge di continuo. Un progetto pilota si svolge sui tuoi flussi di lavoro, accanto alla tua configurazione attuale, e a giudicare sono i tuoi esperti.

  1. Scegli il lavoroScegli flussi di lavoro di ricerca ricorrenti in cui le decisioni si ripetono e un’esecuzione sbagliata o inutile è costosa: raccomandare le impostazioni per l’esecuzione successiva, classificare i candidati, esaminare le analisi.
  2. Concorda la metricaStabiliscila con i tuoi esperti prima che parta qualsiasi cosa: il costo di ogni risultato accettato e riproducibile, e il tempo degli esperti che richiede.
  3. Eseguilo fianco a fiancoLo stesso modello, gli stessi strumenti, dati e budget, con e senza MS Duplex, e con una connessione regolamentata dove serve.
  4. Giudica alla ciecaI tuoi esperti valutano i risultati senza sapere quale configurazione li ha prodotti.

Dove viene eseguito MS Duplex e come vengono trattati i tuoi dati si concorda con i tuoi responsabili della sicurezza e dei dati fin dalla prima conversazione. L’esperienza che un progetto pilota costruisce appartiene alla tua organizzazione, con ogni lezione e la sua fonte registrate perché il tuo team possa esaminarle, correggerle o rimuoverle.

Domande frequenti

MS Duplex modifica il nostro modello?

Lascia invariati i pesi del modello. MS Duplex impara accanto al modello: per questo una lezione è pronta dalla richiesta successiva, una singola lezione può essere corretta da sola e l’esperienza ti segue quando cambi modello.

Da cosa impara?

Dai risultati e dalle correzioni degli esperti che il tuo team sceglie di registrare: un test superato, una misura, una conclusione approvata, una correzione con il suo motivo. Ogni insegnamento conserva la sua fonte e le condizioni in cui vale.

MS Duplex è legato a un solo campo scientifico?

No. Funziona in ogni campo in cui un team fa ricerca o ingegneria con l’IA.

Di chi è ciò che impara?

Della tua organizzazione. L’esperienza vive in un archivio di proprietà della tua organizzazione, governato dalle tue regole e non condiviso con nessun’altra azienda. Il tuo team può ispezionare qualsiasi lezione, correggerla, rimuoverla o ripristinarla.

Costruito da MatterSpace

MatterSpace costruisce MS Duplex per scienziati, ricercatori e ingegneri di ogni campo, perché l’IA che già usano impari da ogni risultato che confermano.

Continua a leggere

Fai in modo che la prossima esecuzione tragga vantaggio dall’ultima.

Portaci la ricerca in cui la tua IA dovrebbe migliorare. Pianificheremo un progetto pilota sui tuoi flussi di lavoro, con i tuoi esperti come giudici.