MS DuplexAuto-miglioramentoMostra tuttoMostra meno
Auto-miglioramento.
I tuoi agenti migliorano con ogni risultato confermato.
La maggior parte degli agenti IA si comporta al centesimo compito come al primo. MS Duplex fa migliorare gli agenti che il tuo team usa già a ogni ciclo di lavoro.
Imparare e migliorare · una delle quattordici capacità di MS Duplex


Il tuo team ottiene
- Meno errori ripetuti ed esecuzioni sprecate
- Agenti che migliorano da soli tra una revisione e l’altra
- Una traccia di ogni cambiamento di comportamento e del suo motivo
Cosa significa l’auto-miglioramento per il tuo team.
Auto-miglioramento significa che i tuoi agenti cambiano il modo in cui lavorano in base a ciò che il tuo lavoro ha confermato. Un approccio che ha avuto successo passa in cima alla lista. Un passaggio fallito in determinate condizioni smette di essere proposto in quelle condizioni. Ogni ciclo di lavoro fa partire il successivo più avanti.
Il metro di misura sono i tuoi esiti. MS Duplex valuta ogni cambiamento di comportamento in base ai risultati confermati dai tuoi test, dalle tue misure e dai tuoi esperti, e lo lega agli esiti che lo hanno giustificato. Poiché queste prove continuano ad arrivare man mano che il lavoro va avanti, i tuoi agenti migliorano da soli tra una revisione e l’altra.
Ogni miglioramento è registrato. Per ogni cambiamento, il tuo team può vedere cosa fa ora di diverso l’agente, da quando e quali esiti lo hanno giustificato. Quando un responsabile chiede perché oggi l’agente si comporta meglio rispetto al mese scorso, la risposta è lì, con le sue fonti.
Perché la ricerca ha bisogno di agenti che migliorano con l’uso.
Il lavoro di ricerca si ripete. Gli stessi tipi di decisioni ritornano settimana dopo settimana, e un agente che non impara da esse ripete gli stessi errori allo stesso costo.
Gran parte del lavoro con l’IA di un team di ricerca è ricorrente: classificare candidati, scegliere impostazioni, pianificare il prossimo lotto di esecuzioni, controllare un’analisi. Ogni ciclo produce prove su cosa ha funzionato e cosa no. Un agente che migliora con l’uso trasforma queste prove in un comportamento migliore già al ciclo successivo.
Senza auto-miglioramento, il miglioramento deve venire dalle persone. Gli esperti esaminano gli stessi tipi di output e correggono gli stessi tipi di errore, prompt e note si allungano, e l’agente resta bravo quanto l’ultima volta che qualcuno ha modificato le sue istruzioni. L’esperienza del team cresce, mentre quella dell’agente resta dov’era.
Il lavoro ricorrente si somma
Un piccolo miglioramento su una decisione che il tuo team prende ogni giorno vale più di uno grande su una decisione presa una volta sola.
Le esecuzioni sprecate costano
Ogni approccio fallito che un agente ripropone spende una seconda volta calcolo, materiali o tempo di strumentazione.
Le revisioni hanno dei limiti
Gli esperti non possono controllare ogni passaggio, quindi l’agente deve migliorare tra una revisione e l’altra oltre che durante.
I responsabili devono vedere l’avanzamento
Un miglioramento che il tuo team non può ricondurre a delle prove è difficile da considerare affidabile e ancora più difficile da difendere.


Come funziona l’auto-miglioramento nella giornata del tuo team.
I tuoi agenti continuano a svolgere il lavoro. MS Duplex prende gli esiti che il tuo team sceglie di registrare e li trasforma in un comportamento migliore per il ciclo successivo.
- 1
L’agente propone
Raccomanda un approccio, un’impostazione o un passaggio successivo, attingendo a ciò che il tuo team ha già confermato.
- 2
L’esito arriva
Un test, una misura o un esperto mostra se la proposta ha funzionato, e in quali condizioni.
- 3
Il comportamento cambia
Ciò che ha funzionato diventa una delle prime scelte dell’agente. Ciò che è fallito in quelle condizioni smette di essere proposto lì.
- 4
Il cambiamento viene registrato
Ogni miglioramento viene conservato con gli esiti che lo hanno giustificato, così il tuo team può esaminarlo, correggerlo o rimuoverlo.
Un esempio, in qualsiasi campo in cui un agente pianifica esecuzioni.
L’agente di un team pianifica lotti di esecuzioni verso un target. Nel corso di diversi cicli di lavoro, i suoi piani migliorano, e la documentazione mostra perché.
- 1
Primo ciclo
L’agente propone dieci esecuzioni. Tre raggiungono il target, e quattro falliscono per lo stesso motivo: un’impostazione fuori dall’intervallo in cui il metodo vale. Il team conferma entrambi i risultati.
- 2
Secondo ciclo
L’agente parte dall’approccio alla base dei tre successi e tiene fuori dal suo piano l’impostazione che falliva, in quelle condizioni. Meno esecuzioni vanno a ciò che il team sa già non funzionare.
- 3
Terzo ciclo
Un’esecuzione con una nuova combinazione riesce dove la vecchia prima scelta non era bastata. Il nuovo approccio prende il suo posto in testa, legato al risultato che lo ha giustificato.
- 4
La revisione
Alla revisione successiva, il responsabile apre la documentazione. Ogni cambiamento nei piani dell’agente è elencato con gli esiti su cui si basa, e uno che poggiava su un unico risultato dubbio viene rimosso singolarmente, mentre il resto rimane.
L’auto-miglioramento attinge alle altre funzionalità.
Un comportamento migliore dipende da prove valide, motivazioni chiare e una documentazione di cui il tuo team possa fidarsi.
Apprendimento continuo
Ogni risultato confermato viene appreso dalla richiesta successiva, il che dà all’auto-miglioramento nuove prove a ogni ciclo.
Apprendere causa ed effetto
Sapere quale azione ha portato a quale esito, in quali condizioni, permette ai tuoi agenti di migliorare nel punto giusto e lasciare intatto il resto.
Decisioni che conoscono i propri limiti
Man mano che gli approcci si dimostrano validi, più decisioni di routine vengono risolte direttamente, con meno chiamate al modello sul lavoro ricorrente.
Provenienza, revisione e disapprendimento
Ogni cambiamento di comportamento conserva la sua fonte, così ciascuno può essere esaminato, corretto o rimosso senza toccare il resto.
Cosa ottiene il tuo team.
Agenti che migliorano a ogni ciclo di lavoro, con ogni miglioramento visibile e legato alle sue prove.
- più accurato di un modello sottoposto a fine-tuning per il compito, sul lavoro ricorrente, senza alcun addestramento, nei test controllati di MatterSpace
- +16 punti
Meno errori ripetuti
Un passaggio fallito in condizioni note smette di essere proposto in quelle condizioni.
Meno esecuzioni sprecate
Calcolo, materiali e tempo di strumentazione vanno ad approcci sostenuti da prove confermate.
Miglioramento tra le revisioni
Gli agenti migliorano da soli man mano che arrivano gli esiti, senza aspettare che qualcuno riscriva le loro istruzioni.
Un registro di ogni cambiamento
Ogni cambiamento di comportamento è elencato con cosa è cambiato, quando e gli esiti che lo hanno giustificato.
Misurato sul tuo lavoro
Il miglioramento viene valutato rispetto agli esiti confermati dai tuoi test, dalle tue misure e dai tuoi esperti.
Nessun addestramento
I tuoi agenti migliorano accanto al modello, lasciandone invariati i pesi, quindi non c’è nessun dataset da preparare né ciclo di addestramento da attendere.
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.

