Ogni team di ricerca conosce la differenza tra un risultato su cui può costruire e un risultato ottenuto una volta. Il primo è stato confermato in condizioni note e regge quando qualcuno lo verifica. Il secondo potrebbe essere una coincidenza. Le persone che lavorano a un progetto da un po’ portano questa differenza nella testa. Un agente IA, di default, no: raccomanda il passo successivo con lo stesso tono sicuro, che quel passo si basi su molte esecuzioni confermate o su un pomeriggio fortunato.
Questo divario costa denaro. Un’impostazione che per caso ha preceduto un successo viene ripetuta. Un’opzione che il team ha già escluso viene riproposta. Un caso diverso da tutto ciò che il team ha visto viene trattato come routine, e un’esecuzione costosa prende la direzione sbagliata. Questo articolo esamina tre capacità di MS Duplex che insieme colmano il divario: apprendere causa ed effetto, simulazione prima dell’azione e decisioni che conoscono i propri limiti.
Tieni il motivo insieme al risultato
Un risultato da solo dice cosa è successo. Non dice perché. Supponiamo che due esecuzioni raggiungano il target ed entrambe abbiano usato le stesse due impostazioni. Un’IA che conserva solo gli esiti non ha modo di capire quale impostazione abbia contato, quindi le raccomanda entrambe, e una coincidenza inizia a comportarsi come una regola.
MS Duplex conserva il legame tra ciò che è stato fatto, le condizioni in cui è stato fatto e ciò che è successo dopo, con le prove dietro ogni parte. Man mano che arrivano altre esecuzioni confermate, il quadro si fa più nitido. Magari un’impostazione porta al target nelle condizioni abituali del team e l’altra non ha fatto alcuna differenza. La prima diventa un legame stabilito. La seconda viene scartata, e la raccomandazione successiva smette di basarsi su di essa.
La parte che cambia la giornata di un team è l’etichetta. Ogni raccomandazione mostra se il legame su cui si basa è stabilito o non ancora stabilito, e per quali condizioni. Quando un ricercatore chiede di una condizione che il team non ha testato, MS Duplex raccomanda l’impostazione consolidata e dice che lì il legame non è stato stabilito. Il ricercatore vede un’intuizione segnalata come intuizione.
Ogni raccomandazione porta con sé ciò che servirebbe a un collega per verificarla:
- L’azione raccomandata e gli esiti confermati a cui ha portato
- Le condizioni in cui quegli esiti sono stati confermati
- Se il legame è stabilito per le condizioni attuali, oppure non ancora
- Le fonti su cui si basa, così un altro ricercatore può ricostruire la raccomandazione
Così le incognite diventano un piano. I legami che contano di più e non sono ancora stabiliti sono dove il prossimo esperimento è più utile. Un team può eseguire il caso non testato come test deliberato, e il risultato confermato estende il legame alla nuova condizione oppure segna dove smette di valere. In entrambi i casi, la raccomandazione successiva ne tiene conto.


Proietta in avanti le opzioni prima di spendere il budget
La maggior parte dei budget di ricerca si spende una scelta alla volta: una lunga simulazione su risorse di calcolo condivise, un esperimento che usa materiale scarso o tempo di strumentazione, una revisione di progetto che sottrae un esperto ad altro lavoro. Ognuna vale la pena solo se può far avanzare il lavoro verso l’obiettivo. Con un budget fisso, ogni vicolo cieco è un’esecuzione in meno per un’opzione che avrebbe potuto funzionare.
Prima di un passaggio costoso, MS Duplex valuta l’esito probabile di ogni opzione rispetto all’obiettivo, sulla base di ciò che il tuo team ha già confermato: i risultati, le condizioni in cui valgono, le correzioni fatte dai tuoi esperti e le esecuzioni fallite. Le opzioni che non possono raggiungere l’obiettivo, o che sono già fallite nelle stesse condizioni, vengono scartate prima di spendere qualsiasi cosa. I tuoi simulatori, strumenti e codice di analisi continuano a produrre i risultati. MS Duplex aiuta a decidere quali esecuzioni vale la pena fare.
Supponiamo che un team abbia budget per tre esecuzioni lunghe in questo round e nove progetti candidati in lista. Un round potrebbe andare così:
- Arriva la listaL’agente propone nove progetti per il round, ciascuno con le impostazioni con cui verrebbe eseguito.
- Ognuno viene valutatoMS Duplex proietta in avanti ogni progetto rispetto all’obiettivo, sulla base dei risultati confermati del team e delle condizioni in cui valgono.
- I vicoli ciechi vengono scartatiDue progetti ripetono una combinazione già fallita nelle stesse condizioni, e uno dipende da un’impostazione che un esperto ha corretto in precedenza nel progetto. Ciascuno viene scartato con il suo motivo.
- Le prove scarse vengono segnalatePer altri due progetti, l’esperienza del team non ne favorisce ancora uno rispetto all’altro. Quella scelta passa al modello o al responsabile del team, con una nota su cosa manca.
- Partono tre esecuzioniI progetti più promettenti vengono eseguiti con gli strumenti del team. In un ambiente governato, un’esecuzione oltre il limite di costo del team può attendere prima l’approvazione di una persona.
- Il round successivo parte più avantiI risultati vengono confermati, il ragionamento dietro ogni esecuzione e ogni progetto scartato resta registrato, e il round successivo parte da ciò che questo ha mostrato.
Il registro conta quanto la scelta. Un responsabile che approva un’esecuzione costosa può vedere perché è stata preferita alle alternative. Un ricercatore che si unisce al progetto più tardi può vedere perché un progetto dall’aria promettente è stato scartato, e se il motivo vale ancora.
Decidi ciò che è noto, affida ad altri ciò che non lo è
Gran parte del lavoro di IA di un team di ricerca è la stessa decisione presa più e più volte: quale impostazione si adatta a un’analisi familiare, se un candidato supera uno screening noto, quale metodo si adatta a un caso standard. Far passare ognuna di queste decisioni attraverso un modello costa chiamate e tempo, e la risposta può variare tra un’esecuzione e l’altra anche quando il caso è rimasto lo stesso.
Dove un metodo confermato dal tuo team si applica chiaramente, in condizioni corrispondenti, MS Duplex prende la decisione direttamente e in modo coerente, spesso senza alcuna chiamata al modello. Ogni decisione rimanda al metodo e alle prove su cui si basa. Dove le prove sono scarse, la decisione passa al tuo modello perché la ragioni, con una nota su cosa manca. Dove il caso non somiglia a nulla di ciò che il tuo team ha confermato, viene segnalato a un ricercatore, con il motivo.
La prossima volta che il caso si ripresenta
La decisione di un ricercatore su un caso segnalato viene appresa con il suo motivo. Quando arriva un caso simile nelle stesse condizioni, MS Duplex può deciderlo direttamente, e all’esperto viene risparmiata la stessa domanda. Ogni decisione confermata amplia l’insieme di casi che il team può decidere senza chiedere, e i passaggi di mano che restano sono quelli che richiedono una persona.
- −89%chiamate al modello in meno rispetto a un modello sottoposto a fine-tuning per il compito, sul lavoro ricorrente, nei test controllati di MatterSpace
Quella cifra proviene dai test controllati di MatterSpace sul lavoro ricorrente, in cui le decisioni prese da un metodo appreso non richiedono alcuna chiamata al modello. Mostra da dove vengono i risparmi: la spesa per il modello va ai casi che richiedono ragionamento. Un progetto pilota misura cosa fa sul tuo lavoro.


Cosa cambia per chi guida il lavoro
Le tre capacità si basano sullo stesso registro, quindi ciascuna rafforza le altre. Ciò che il team impara su causa ed effetto è il metro con cui ogni opzione viene valutata prima di un passaggio costoso. Dove le prove favoriscono chiaramente un’opzione, la scelta viene decisa direttamente. Dove sono scarse, passa a una persona. Ogni esito che torna si aggiunge ai legami su cui si basa la scelta successiva.
Per un responsabile della ricerca, il cambiamento si vede in alcuni punti concreti:
- Raccomandazioni che dicono se si basano su un legame stabilito o su un’ipotesi.
- Esecuzioni costose scelte con le alternative e i motivi registrati.
- Tempo degli esperti dedicato alle decisioni che richiedono un esperto, ciascuna con una nota sul perché è stata inviata.
- Decisioni di routine prese in modo coerente quando lo stesso caso si ripresenta nelle stesse condizioni.
- Spesa per il modello indirizzata ai casi che richiedono ragionamento.
Se un legame si rivela sbagliato, il team può correggerlo o rimuoverlo da solo. Rimuovilo e le raccomandazioni che dipendevano da esso se ne vanno con lui, mentre tutto il resto resta com’era.
Valutarlo sulle tue decisioni
Il test equo è il lavoro che il tuo team già ripete. Scegli flussi di lavoro ricorrenti in cui le decisioni si presentano più e più volte e in cui un’esecuzione sbagliata o inutile è costosa. Concorda la misura con i tuoi esperti prima che parta qualsiasi cosa: il costo di ogni risultato accettato e riproducibile, e il tempo degli esperti che richiede. Poi usa lo stesso modello, gli stessi strumenti, gli stessi dati e lo stesso budget con e senza MS Duplex, e lascia che i tuoi esperti valutino i risultati senza sapere quale configurazione li ha prodotti.
Per questo gruppo di capacità, guarda con attenzione le esecuzioni costose finite su opzioni che il team aveva già escluso, se ogni passaggio di mano ha raggiunto la persona giusta con un motivo utile, e se un ricercatore può ricostruire una raccomandazione dal registro senza aiuto.
Domande frequenti
Come fa MS Duplex a sapere che un legame è stabilito?
Considera stabilito un legame tra un’azione e un esito solo nella misura in cui i risultati confermati del tuo team lo supportano, e solo per le condizioni in cui sono stati confermati. Al di fuori di quelle condizioni, la raccomandazione dice che il legame non è ancora stato stabilito.
La simulazione prima dell’azione sostituisce i nostri simulatori?
I tuoi simulatori, strumenti e codice di analisi continuano a produrre i risultati. La simulazione prima dell’azione aiuta a decidere quali esecuzioni vale la pena fare, valutando ogni opzione rispetto all’obiettivo e a ciò che il tuo team ha già confermato.
Chi prende le decisioni che MS Duplex non prende?
I casi che richiedono ragionamento passano al tuo modello, con una nota su quali prove mancano. I casi diversi da tutto ciò che il tuo team ha confermato vengono segnalati a un ricercatore. La decisione del ricercatore viene appresa con il suo motivo, così il caso simile successivo può essere deciso direttamente.
Una persona può ancora approvare un’esecuzione costosa?
Sì. Negli ambienti governati, i passaggi selezionati dal tuo team, come una simulazione costosa, attendono l’approvazione di una persona prima di iniziare, e l’approvazione viene registrata insieme a chi ha approvato cosa.


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.









