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

MS Duplex8 min di lettura

Un unico livello di apprendimento per ogni campo in cui lavora il tuo team di ricerca.

Perché MS Duplex impara allo stesso modo in ogni campo: cosa passa da un tipo di ricerca all’altro, e come l’esperienza di ogni team resta sua.

Un mozzo sferico blu cobalto che regge una dozzina circa di aste in argento satinato disposte a raggiera, sopra una base rotonda in grafite.Un mozzo sferico blu cobalto che regge una dozzina circa di aste in argento satinato disposte a raggiera, sopra una base rotonda in grafite.

Poche organizzazioni di ricerca lavorano in una sola disciplina. Una singola azienda può avere un gruppo che pianifica esecuzioni, un altro che classifica candidati da testare, un terzo che esamina analisi e un quarto che valuta progetti, ciascuno con i propri strumenti, la propria strumentazione e il proprio vocabolario. Quando ogni gruppo configura la propria IA per conto suo, l’organizzazione si ritrova con diverse configurazioni separate, e ciò che un gruppo impara resta dove è stato appreso, o si perde quando la sessione finisce.

MS Duplex è stato progettato per questa organizzazione. È un livello di apprendimento per ogni campo in cui lavora un team, collegato all’IA che ogni gruppo usa già. Questo articolo spiega perché lo stesso livello può imparare in ogni campo, cosa passa da un tipo di lavoro all’altro e come l’esperienza di ogni team resta sua.

Cosa ha in comune la ricerca tra campi diversi

Gli argomenti cambiano da un gruppo all’altro. La forma del lavoro cambia molto meno. Un team decide cosa provare, lo esegue, controlla cosa è emerso e decide di nuovo. Lungo il percorso accumula quattro tipi di conoscenza, e ogni campo li ha:

  • Metodi: procedure di cui è confermato il funzionamento, come un ordine di passaggi, una scelta di impostazioni o un insieme di controlli.
  • Condizioni: l’intervallo in cui un risultato è stato confermato, al di fuori del quale nessuno dovrebbe farvi affidamento.
  • Esiti: ciò che un test, una misura o un esperto ha confermato, oppure corretto con un motivo.
  • Decisioni: cosa ha scelto il team, e le prove su cui si è basata la scelta.

È da questi che MS Duplex impara. Un risultato confermato diventa esperienza, conservata con le sue prove e le sue condizioni. Una procedura che funziona diventa un metodo che i tuoi agenti riutilizzano. Una decisione conserva le prove che la sostengono, così un altro ricercatore può ricostruirla dalla documentazione. Niente di tutto questo dipende dall’argomento del lavoro. Dipende da ciò che il tuo team conferma.

La competenza resta dove si trova già: nei tuoi scienziati e ingegneri, nei tuoi strumenti e nei modelli che scelgono. Un gruppo con i propri simulatori, il proprio codice di analisi e la propria strumentazione continua a raggiungerli tramite le proprie connessioni. MS Duplex impara da come è andato il lavoro e lo porta nell’esecuzione successiva, così il livello migliora nel lavoro di ogni team imparando dai risultati di quel team.

Un vassoio in grafite che contiene una griglia ordinata di dischetti portacampioni argento, quattro dei quali con un cappuccio blu cobalto e collegati da una sottile linea blu cobalto.Un vassoio in grafite che contiene una griglia ordinata di dischetti portacampioni argento, quattro dei quali con un cappuccio blu cobalto e collegati da una sottile linea blu cobalto.
Un vassoio in grafite con una griglia di dischetti portacampioni argento, quattro dei quali con un cappuccio blu cobalto e collegati da una linea sottile: qualunque cosa contenga il vassoio, i risultati che un team conferma sono quelli che vale la pena collegare e conservare.

Lo stesso ciclo, qualunque sia l’ambito

MS Duplex migliora gli agenti allo stesso modo in ogni settore. Il tuo team continua a fare il lavoro, e ciò che conferma viene appreso una volta e usato da quel momento in poi. Supponiamo che tre gruppi di una stessa organizzazione usino agenti per compiti diversi: uno raccomanda le impostazioni per l’esecuzione successiva, uno classifica i candidati da testare e uno esamina le analisi prima che vengano riportate. Ognuno segue gli stessi passaggi.

  1. L’agente proponeRaccomanda un’impostazione, classifica un elenco di candidati o segnala un passaggio di un’analisi, lavorando con gli strumenti del gruppo come fa oggi.
  2. Un risultato o un esperto confermaArriva il risultato di un’esecuzione, un test viene superato o un esperto approva la conclusione. Dove l’agente ha sbagliato, l’esperto lo corregge e spiega perché.
  3. La lezione viene conservataMS Duplex trasforma l’esito confermato in esperienza: un metodo, una correzione o una condizione, ciascuno con le prove su cui si basa.
  4. Il caso successivo parte da lìIl successivo caso corrispondente, in qualsiasi sessione, su qualsiasi agente autorizzato dal gruppo e su qualsiasi modello, parte da quell’esperienza.
  5. Le differenze vengono segnalateDove il nuovo caso differisce dalle condizioni in cui la lezione è stata confermata, MS Duplex lo segnala, e il metodo viene adattato e proposto per la verifica.

Per il gruppo che raccomanda le impostazioni, la lezione potrebbe essere che un’impostazione fallisce oltre un limite noto. Per il gruppo che classifica i candidati, potrebbe essere che un metodo di punteggio vale solo entro un certo intervallo. Per i revisori, potrebbe essere un controllo che individua presto un errore comune. Il contenuto cambia ogni volta. Ciò che MS Duplex ne fa è sempre lo stesso, e lo è anche ciò che ottiene il team: meno errori ripetuti, meno esecuzioni sprecate e una documentazione di ogni cambiamento nel comportamento dell’agente con il suo motivo.

Sono le condizioni a far viaggiare una lezione

Ricordare un risultato è la parte facile. La ricerca chiede qualcosa di più difficile: sapere dove il risultato vale. Un’impostazione che ha funzionato in un intervallo può sprecare un’esecuzione in un altro, e un metodo confermato su un tipo di input può trarre in inganno sul successivo. Ogni settore ha la sua versione di questo problema, ed è per questo che MS Duplex conserva ogni risultato con le condizioni in cui è stato confermato.

Questo dà a una lezione tre percorsi possibili su un nuovo caso. Dove le condizioni corrispondono, si applica direttamente. Dove il caso è affine ma qualcosa differisce, il metodo viene adattato e proposto per la verifica prima che qualcuno vi faccia affidamento. Dove le prove sono scarse o il caso non somiglia a nulla di già visto, la decisione passa al tuo modello o a un ricercatore, con il motivo.

La stessa attenzione vale quando un dato cambia. Una nuova misura sostituisce quella vecchia, il valore confermato più recente si applica dalla richiesta successiva, e la cronologia di ciò che è cambiato resta documentata. In qualsiasi settore, un valore superato costa un’esecuzione spesa su un’ipotesi sbagliata, e il team dovrebbe poter vedere quando e perché un valore è cambiato.

L’esperienza di ogni team resta sua

Un unico livello per tutti i settori mantiene comunque ogni lezione con le persone a cui appartiene. Tutto ciò che MS Duplex apprende si trova in un livello:

  • Personale: le abitudini di lavoro e le preferenze di uno scienziato o di un ingegnere modellano il suo agente, e solo il suo.
  • Team: ciò che un team conferma viene condiviso con quel team, così i suoi agenti si basano sui risultati del team stesso.
  • Organizzazione: ciò che l’organizzazione adotta come standard si applica in ogni team e su ogni agente.

Sono le tue regole a decidere cosa passa da un livello all’altro. Il gruppo che classifica i candidati conserva le sue lezioni sul punteggio nel proprio livello di team, e il gruppo che esamina le analisi conserva i suoi controlli nel proprio. Persone e agenti accedono solo all’esperienza consentita dal loro ambito, e nulla di tutto ciò viene condiviso con un’altra azienda.

Alcune conoscenze meritano di essere condivise tra gruppi, e questa condivisione avviene per decisione. Supponiamo che due gruppi di discipline diverse eseguano entrambi un tipo di simulazione costoso, e che uno dei due confermi un controllo che individua una configurazione errata prima che parta. Il suo responsabile può condividere il metodo con l’altro gruppo, oppure l’organizzazione può adottarlo come standard. Il metodo conserva la sua fonte mentre si sposta, e viene riverificato dove viene usato, perché un controllo che ha retto nel lavoro di un gruppo deve dimostrarsi valido di nuovo in quello successivo.

Tre vassoi annidati: un grande vassoio in grafite che contiene un vassoio argentato, che a sua volta contiene un piccolo vassoio blu cobalto, ciascuno con i propri scomparti.Tre vassoi annidati: un grande vassoio in grafite che contiene un vassoio argentato, che a sua volta contiene un piccolo vassoio blu cobalto, ciascuno con i propri scomparti.
Tre vassoi annidati, un grande vassoio in grafite che contiene un vassoio argento che contiene un piccolo vassoio blu cobalto, ciascuno con i propri scomparti: esperienza personale, di team e di organizzazione, ciascuna conservata al suo posto all’interno di un unico livello.

Un unico livello per tutta l’organizzazione

Per un responsabile della ricerca, un livello che funziona in ogni settore cambia i conti dell’adozione dell’IA. Ogni gruppo non ha più bisogno di un proprio sistema di apprendimento, di un proprio modo di registrare le approvazioni e di una propria cronologia di ciò che è stato insegnato all’IA. Il lavoro di IA dell’organizzazione si accumula in un unico archivio di sua proprietà, e questo porta con sé alcuni aspetti pratici:

  • Regole e approvazioni conservate in un unico posto, con ogni approvazione registrata e chi ha approvato cosa.
  • Un’unica cronologia di ciò che è stato appreso, usato e approvato, pronta da esaminare ed esportare.
  • Metodi che passano da un gruppo all’altro secondo le tue regole, ciascuno con il risultato che lo ha dimostrato.
  • Libertà per ogni gruppo di usare l’IA che preferisce: Claude, Codex, Cursor, un altro agente compatibile con MCP o i propri agenti tramite l’API e il Python SDK.
  • Esperienza che resta all’organizzazione quando cambia un modello, un agente o un fornitore.

Cambia anche ciò che succede quando le persone si spostano. Quando un ricercatore passa ad altro, i metodi che ha confermato restano al team, e l’agente di un nuovo membro parte con i metodi migliori del team già a disposizione. Il know-how che è costato a un gruppo mesi di tentativi ed errori resta all’organizzazione che lo ha pagato.

Domande frequenti

MS Duplex deve essere costruito per il nostro settore prima che possiamo usarlo?

MS Duplex impara dagli esiti e dalle correzioni degli esperti che il tuo team sceglie di registrare, in qualsiasi settore in cui esegui esperimenti, simulazioni, analisi o revisioni di progetto con l’IA. La competenza disciplinare resta ai tuoi scienziati e ingegneri, ai tuoi strumenti e ai tuoi modelli, e MS Duplex migliora nel tuo lavoro imparando dai tuoi risultati.

Gruppi di discipline diverse possono condividere un unico MS Duplex?

Sì. Ogni ricercatore, ogni team e l’organizzazione hanno il proprio livello di esperienza. Le lezioni di un team restano a quel team, e le tue regole decidono cosa viene condiviso con un altro team o adottato come standard dell’organizzazione, conservandone la fonte.

Come sappiamo che funziona sul nostro tipo di ricerca?

Con un progetto pilota sul tuo lavoro. Scegli flussi di lavoro ricorrenti in cui le decisioni si ripetono, concorda la metrica con i tuoi esperti prima che parta qualsiasi cosa, esegui fianco a fianco la tua configurazione attuale e MS Duplex, e lascia che i tuoi esperti giudichino i risultati alla cieca.

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.