Vai al contenuto
Advancing Bits to Master Atoms

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

Una fila di sfere in argento satinato appese a un telaio in grafite, con una sfera blu cobalto sollevata all’estremità, sul punto di colpire la fila.Una fila di sfere in argento satinato appese a un telaio in grafite, con una sfera blu cobalto sollevata all’estremità, sul punto di colpire la fila.

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.

Una linea ramificata di tessere verticali in grafite su un plinto scuro, con una tessera blu cobalto all’inizio e un unico percorso di tessere argentate cadute che porta in un solo ramo.Una linea ramificata di tessere verticali in grafite su un plinto scuro, con una tessera blu cobalto all’inizio e un unico percorso di tessere argentate cadute che porta in un solo ramo.

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. 1

    Viene compiuta un’azione

    L’agente o un ricercatore esegue un passaggio con le impostazioni scelte, in condizioni note.

  2. 2

    L’esito viene confermato

    Un test, una misura o un esperto conferma ciò che è successo dopo.

  3. 3

    Il legame viene conservato

    MS Duplex conserva insieme l’azione, le condizioni e l’esito, con le prove che li sostengono.

  4. 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. 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. 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. 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. 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.

Come distingue MS Duplex un risultato da un’intuizione?

Considera stabilito un legame tra un’azione e un esito solo nella misura in cui i tuoi risultati confermati lo sostengono. Dove un legame non è ancora stato stabilito, lo dice nella raccomandazione, così i tuoi ricercatori possono distinguere i due casi.

Cosa succede quando le condizioni cambiano?

Ogni legame viene conservato con le condizioni in cui è stato confermato. Quando un caso esce da queste condizioni, MS Duplex dice che lì il legame non è ancora stato stabilito, così il tuo team può decidere se testarlo.

Un ricercatore può verificare perché è stato raccomandato un passaggio?

Sì. Ogni raccomandazione mostra l’azione, le condizioni e gli esiti su cui si basa, con le relative fonti. Un altro ricercatore può ricostruirla dalla documentazione e verificarla di persona.

E se un legame si rivela sbagliato?

Il tuo team può correggerlo o rimuoverlo singolarmente. Se lo rimuovi, le raccomandazioni che ne dipendevano vengono rimosse con esso, mentre tutto il resto rimane.

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.