MS DuplexApprendere causa ed effettoMostra tuttoMostra meno
Apprendere causa ed effetto.
La tua IA impara quale azione ha portato a quale risultato.
MS Duplex conserva il legame tra ciò che è stato fatto, le condizioni in cui è stato fatto e ciò che è successo dopo. Usa questi legami per raccomandare il passo successivo e dice ai tuoi ricercatori quando un legame non è ancora stato stabilito.
Imparare e migliorare · una delle quattordici capacità di MS Duplex


Il tuo team ottiene
- Raccomandazioni fondate sui tuoi stessi esiti
- Una chiara separazione tra ciò che è noto e ciò che è presunto
- Scelte migliori per il prossimo esperimento o la prossima esecuzione
Cosa significa apprendere causa ed effetto per il tuo team.
Apprendere causa ed effetto significa che MS Duplex conserva più del risultato. Per ogni esito confermato conserva ciò che è stato fatto, le condizioni in cui è stato fatto e ciò che è successo dopo, collegati tra loro, così la tua IA può capire quale azione ha portato a quale esito.
Questi legami orientano ciò che i tuoi agenti raccomandano. Quando il tuo team chiede il passo successivo, MS Duplex attinge alle azioni che hanno portato all’esito che vuoi, in condizioni simili a quelle attuali, e mette da parte le azioni che hanno portato altrove.
Dice anche ciò che non sa ancora. Dove un legame tra un’azione e un esito non è stato stabilito, MS Duplex lo dice ai tuoi ricercatori, così il tuo team può distinguere un risultato da un’intuizione e scegliere il prossimo esperimento tenendone conto.
Perché la ricerca ha bisogno di un’IA che sa il perché.
Due risultati possono sembrare simili e avere cause diverse. Un’IA che conserva solo il risultato non può sapere quale azione ripetere.
Nella ricerca, un risultato conta per il modo in cui è stato ottenuto. Un’esecuzione è riuscita grazie a un’impostazione, in una certa condizione, dopo un certo passaggio. Cambia la condizione e la stessa azione può portare altrove. La decisione su cosa provare dopo dipende dal sapere quale parte del lavoro ha fatto la differenza.
Quando un’IA conserva solo gli esiti, ripete qualunque cosa sia capitata prima di un successo e scambia una coincidenza per una regola. Le sue raccomandazioni suonano ugualmente sicure sia che si basino su molti risultati confermati sia su un’unica esecuzione fortunata, e i tuoi ricercatori devono capire da soli quale sia il caso.
Le condizioni decidono
Un’azione che funziona in certe condizioni può fallire in altre, quindi le condizioni devono accompagnare il legame.
Risultati e intuizioni sono diversi
Un team deve sapere quali raccomandazioni si basano su legami stabiliti e quali sono ancora ipotesi.
La prossima esecuzione costa cara
Scegliere bene il prossimo esperimento dipende dal sapere quali azioni hanno influito sull’esito.
Le decisioni vengono messe in discussione
Una raccomandazione che mostra l’azione, le condizioni e l’esito su cui si basa può essere verificata da chiunque.


Come funziona l’apprendimento di causa ed effetto nella giornata del tuo team.
Il tuo team registra cosa ha fatto e cosa è successo, come fa oggi. MS Duplex conserva i legami e li usa per la raccomandazione successiva.
- 1
Viene compiuta un’azione
L’agente o un ricercatore esegue un passaggio con le impostazioni scelte, in condizioni note.
- 2
L’esito viene confermato
Un test, una misura o un esperto conferma ciò che è successo dopo.
- 3
Il legame viene conservato
MS Duplex conserva insieme l’azione, le condizioni e l’esito, con le prove che li sostengono.
- 4
Viene raccomandato il passo successivo
Le raccomandazioni si basano su legami stabiliti per condizioni simili a quelle attuali, e un legame non ancora stabilito viene indicato come tale.
Un esempio, in qualsiasi campo in cui un agente raccomanda la prossima esecuzione.
L’agente di un team raccomanda le impostazioni per la prossima esecuzione verso un target. Le sue raccomandazioni diventano sempre più chiare su ciò che è noto e ciò che non lo è.
- 1
Emerge uno schema
Diverse esecuzioni riuscite hanno in comune due impostazioni. Ogni esecuzione viene registrata con le sue azioni, le sue condizioni e il suo esito confermato.
- 2
Viene stabilito un legame
Ulteriori esecuzioni confermate mostrano che una delle due impostazioni porta al target nelle condizioni abituali del team, e che l’altra non ha fatto differenza. MS Duplex conserva la prima come legame stabilito.
- 3
Una nuova condizione
Un ricercatore chiede una raccomandazione in una condizione che il team non ha testato. MS Duplex raccomanda l’impostazione stabilita e dice che il legame non è ancora stato stabilito in questa condizione.
- 4
Il prossimo esperimento
Il team esegue quel caso come test intenzionale. Il risultato confermato estende il legame alla nuova condizione o indica dove smette di valere, e la raccomandazione successiva ne tiene conto.
Causa ed effetto danno alle altre funzionalità le loro ragioni.
Sapere perché si è verificato un esito rende più facile fidarsi di ogni piano, decisione e miglioramento.
Simulazione prima dell’azione
Prima di un passaggio costoso, le opzioni vengono proiettate in avanti usando i legami che il tuo team ha confermato, così il budget va dove indicano le prove.
Decisioni che conoscono i propri limiti
Dove un legame stabilito si applica chiaramente, MS Duplex decide direttamente; dove non si applica, la decisione passa al tuo modello o a un ricercatore, con il motivo.
Auto-miglioramento
Sapere quale azione ha causato quale esito permette ai tuoi agenti di migliorare nel punto giusto, provando prima ciò che ha portato al successo.
Provenienza, revisione e disapprendimento
Ogni legame conserva i risultati su cui si basa, così un altro ricercatore può ricostruire una raccomandazione e verificarla.
Cosa ottiene il tuo team.
Raccomandazioni basate sui tuoi esiti, con una linea chiara tra ciò che è noto e ciò che è ipotizzato.
Raccomandazioni dai tuoi esiti
Il passo successivo viene raccomandato in base a ciò che, secondo il tuo lavoro confermato, ha portato al risultato che vuoi.
Il noto distinto dall’ipotizzato
Ogni raccomandazione mostra se il legame su cui si basa è stabilito o non ancora stabilito.
Condizioni conservate con ogni legame
Un’azione viene raccomandata dove le condizioni corrispondono a quelle in cui è stata confermata.
Scelte migliori per la prossima esecuzione
Il tuo team può indirizzare il prossimo esperimento o la prossima esecuzione verso i legami che contano di più e non sono ancora stabiliti.
Motivazioni documentate
Ogni raccomandazione mostra l’azione, le condizioni e l’esito su cui si basa, pronti per la revisione.
Legami che si mantengono
I legami che il tuo team stabilisce si mantengono tra sessioni, agenti e modelli.
Domande frequenti.
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.

