Ga naar de inhoud
Advancing Bits to Master Atoms
← Alle artikelen

MS Duplex8 min. leestijd

Maak kennis met MS Duplex: zelfverbeterende agents voor wetenschaps- en engineeringteams.

MS Duplex koppelt aan de AI die je wetenschappers en engineers al gebruiken en laat die leren van bevestigde resultaten, correcties van experts en beslissingen. Wat het is, voor wie het is en hoe je begint.

Een kobaltblauwe blokvormige module met rijen ronde poorten, bovenop een satijnzilveren rechthoekige voet.Een kobaltblauwe blokvormige module met rijen ronde poorten, bovenop een satijnzilveren rechthoekige voet.

Een onderzoeksteam leert zijn AI elke week iets. Een expert legt uit waarom een methode faalt voorbij een bekende grens. Een run bevestigt welke instellingen werkten. Een nieuwe kalibratie vervangt een oude referentiewaarde. In de meeste opzetten blijft niets daarvan hangen. De volgende sessie begint bij wat het model wist op de dag dat zijn training eindigde, en het team betaalt opnieuw voor dezelfde les.

Vandaag introduceert MatterSpace MS Duplex: zelfverbeterende agents voor wetenschaps- en engineeringteams. MS Duplex koppelt aan de AI die je wetenschappers en engineers al gebruiken en laat die leren terwijl je werkt. Elk bevestigd resultaat, elke correctie van een expert en elke beslissing wordt ervaring die je agents hergebruiken, zodat elke run begint waar de vorige eindigde.

Wat MS Duplex is, en voor wie

MS Duplex is de zelfverbeterende laag van de wetenschappelijke AI van een team. Het staat naast de modellen en agents die je al draait, terwijl hun gewichten blijven zoals ze zijn. Wanneer een test slaagt, een meting terugkomt of een expert een conclusie goedkeurt, leert MS Duplex daarvan en past het de les toe vanaf het volgende verzoek, overal waar de omstandigheden passen.

Het is ook de plek waar het AI-werk van een team zich opbouwt. Bevestigde resultaten met hun omstandigheden, correcties met hun redenen, beslissingen met het bewijs waarop ze rustten, geverifieerde methoden, plannen en voortgang van lange campagnes, en welke tools werkten voor welk probleem: alles stapelt zich op in een opslag die van je organisatie is. Wissel van model, agent of leverancier, en het team gaat verder waar het was gebleven.

Vier vierkante platen, met dunne zilveren pennen precies op elkaar uitgelijnd: een grafietkleurige basis, een zilveren plaat met een raster van bollen, een kobaltblauwe plaat en een fijn gerasterde zilveren bovenplaat.Vier vierkante platen, met dunne zilveren pennen precies op elkaar uitgelijnd: een grafietkleurige basis, een zilveren plaat met een raster van bollen, een kobaltblauwe plaat en een fijn gerasterde zilveren bovenplaat.
Vier vierkante platen, precies op elkaar uitgelijnd met dunne zilveren pinnen, van een grafietkleurige basis tot een fijn gerasterde zilveren bovenkant: de lagen van de AI-stack van een onderzoeksteam, met MS Duplex als de laag die van de andere leert.

MS Duplex is ontworpen en gebouwd voor wetenschappers, engineers en onderzoekers, en het werkt in elk vakgebied. Overal waar een team met AI experimenten, simulaties, analyses of ontwerpreviews uitvoert, is de cyclus dezelfde. De agent werkt via je tools. Een test, een meting of een expert bevestigt het resultaat, of corrigeert het en zegt waarom. MS Duplex bewaart de uitkomst met het bijbehorende bewijs. Het volgende passende geval, in welke sessie, agent of welk model ook, begint daarbij.

Het is gebouwd voor de mensen die dat werk dragen:

  • Onderzoeks- en engineeringleiders die willen dat wat het team leert bij het team blijft, welk model het daarna ook draait.
  • Hoofden computationeel onderzoek die minder herhaalde runs willen, en beslissingen die een andere onderzoeker uit het dossier kan reconstrueren.
  • Lab- en platformleads die de regels van het team toegepast willen zien, en de juiste goedkeuringen gegeven, voordat een kostbare stap begint.
  • Wetenschappers en engineers die een project, en een correctie, liever één keer aan hun AI uitleggen.

Veertien mogelijkheden in drie groepen

In MS Duplex werken continu leren, zelfverbetering, langetermijnplanning en onderzoeksgeheugen als één laag, georganiseerd rond de doelen van je team. Er zijn veertien mogelijkheden in drie groepen, en elk ervan versterkt de andere.

Leren en verbeteren

  • Continu leren: leert vanaf het volgende verzoek van elk bevestigd resultaat en houdt wat het eerder leerde intact.
  • Zelfverbetering: wat werkte, wordt het eerste wat je agents proberen, en wat mislukte, wordt niet meer voorgesteld.
  • Herbruikbare methoden: een geverifieerde procedure wordt bij het volgende vergelijkbare geval direct toegepast, en bij verwante gevallen aangepast en ter controle voorgesteld.
  • Oorzaak en gevolg leren: bewaart welke actie tot welke uitkomst leidde, onder welke omstandigheden, en zegt wanneer een verband nog niet is vastgesteld.
  • Leren over tools: leert welke tool, instelling of methode goed presteerde bij welk soort probleem.

Plannen en beslissen

  • Langetermijnplanning: campagnes die dagen of weken lopen, blijven één taak, met hun plan, checkpoints en voortgang.
  • Simulatie vóór actie: speelt de opties door voordat er rekenkracht of labtijd wordt besteed, en zet de opties die het doel niet kunnen halen vroeg opzij.
  • Nieuwe problemen oplossen: stelt een aanpak voor een nieuw geval samen uit wat het team heeft bevestigd, en controleert die voordat iemand erop vertrouwt.
  • Beslissingen die hun grenzen kennen: beslecht wat het bewijs ondersteunt en geeft de rest door aan je model of een onderzoeker, met de reden.

Onthouden en beheren

  • Onderzoeksgeheugen: elke sessie begint bij de huidige stand van het werk.
  • Vrijheid om van model te wisselen: een nieuw model begint met alles wat je team heeft opgebouwd.
  • Persoonlijke, team- en organisatielagen: elke laag heeft zijn eigen ervaring, en je regels bepalen wat ertussen wordt doorgegeven.
  • Regels en goedkeuringen: je regels gaan voor, en de stappen die je kiest, wachten op een persoon.
  • Herkomst, review en afleren: elke les houdt haar bron, en elke les kan afzonderlijk worden gecorrigeerd of verwijderd.

De groepen steunen op elkaar. Een resultaat dat op maandag is bevestigd, wordt een methode. De methode gaat in het plan voor een lange campagne. Onderzoeksgeheugen neemt dat plan mee naar de volgende sessie, regels bepalen welke stappen op een persoon wachten, en herkomst laat zien waar elk onderdeel vandaan kwam.

  • +16 puntennauwkeuriger dan een voor de taak gefinetuned model, bij terugkerend werk, zonder trainingsrun
  • −89%minder modelaanroepen dan het gefinetunede model bij datzelfde werk
  • 0 van 8.640antwoorden over een gewijzigd feit gaven de verouderde waarde

Alle drie de cijfers komen uit gecontroleerde tests van MatterSpace. De eerste twee vergelijken MS Duplex met een voor de taak gefinetuned model, op hetzelfde terugkerende werk. Het derde telt antwoorden die werden gegeven nadat een feit was veranderd, waarbij de AI de nieuwere waarde moest gebruiken. Fine-tuning houdt zijn plaats voor het over de hele linie veranderen van wat een model weet, en MS Duplex werkt naast een gefinetuned model net zo goed als naast een algemeen model.

Het koppelt aan de AI die je team al gebruikt

Wetenschappers en engineers houden de AI die ze kennen. MS Duplex koppelt aan Claude, Codex, Cursor en andere agents die MCP spreken, de open standaard om AI-agents tools te geven. Teams die hun eigen onderzoeksagents en pipelines bouwen, voegen MS Duplex toe via de API en de Python SDK, zodat achter elk ervan hetzelfde leren zit.

Er zijn twee manieren om te koppelen. Met een standaardkoppeling roept je agent MS Duplex aan om relevante ervaring op te halen, het plan te volgen en de uitkomsten vast te leggen die je toestaat. Het is de snelste manier om te beginnen. In ondersteunde omgevingen met hooks laat een beheerde koppeling de stappen die je selecteert via MS Duplex gaan, zodat je regels gelden voordat een kostbare simulatie of run begint.

Vijf verschillende grafietkleurige stekkermodules in een boog, die elk een dunne kobaltblauwe kabel naar één centrale satijnzilveren hub sturen.Vijf verschillende grafietkleurige stekkermodules in een boog, die elk een dunne kobaltblauwe kabel naar één centrale satijnzilveren hub sturen.
Vijf verschillende grafietkleurige stekkermodules in een boog, die elk een dunne kobaltblauwe kabel naar één satijnzilveren hub sturen: veel assistenten en agents, één leerlaag erachter.

Je modellen, tools en data blijven van jou. Agents blijven simulators, analysecode, databases en instrumenten bereiken via hun eigen verbindingen. MS Duplex leert van de uitkomsten en correcties van experts die je team kiest vast te leggen, en je regels bepalen wat wordt gedeeld tussen een onderzoeker, een team en de organisatie. Niets ervan wordt gedeeld met een ander bedrijf.

Stel dat een wetenschapper of engineer de rangschikking van kandidaten door een agent corrigeert, omdat de gebruikte methode faalt voorbij een bekende bedrijfsgrens, en vastlegt waarom. Twee dagen later stuit de agent van een collega, op een ander model, op een verwant geval. MS Duplex haalt de correctie met haar bron terug en laat zien welke aanname is veranderd. Niemand hoefde een regel aan een notitiebestand toe te voegen of de grens een tweede keer uit te leggen.

Eén leerlaag voor elk vakgebied

MS Duplex is de leerlaag van MatterSpace voor elk soort wetenschappelijk en technisch werk. Waarvan het leert, is gemeenschappelijk aan onderzoek in elk vakgebied: methoden, beslissingen, de omstandigheden waaronder een resultaat geldt en de uitkomsten die volgden. De ervaring van elk team blijft van dat team, in eigen lagen en onder eigen regels.

Zo begin je: een pilot op je eigen werk

De eerlijke test voor een AI die beweert te leren, is het werk dat je team steeds opnieuw doet. Een pilot draait op je eigen workflows, naast je huidige opzet, en je experts zijn de beoordelaars.

  1. Kies het werkKies terugkerende onderzoeksworkflows waarin beslissingen zich herhalen en een verkeerde of onnodige run duur is: instellingen aanbevelen voor de volgende run, kandidaten rangschikken, analyses beoordelen.
  2. Spreek de maatstaf afLeg het met je experts vast voordat er iets draait: de kosten van elk geaccepteerd, reproduceerbaar resultaat en de experttijd die het kost.
  3. Draai ze naast elkaarHetzelfde model, dezelfde tools, dezelfde data en hetzelfde budget, met en zonder MS Duplex, en met een beheerde verbinding waar die past.
  4. Beoordeel blindJe experts scoren de resultaten zonder te weten welke opzet ze heeft opgeleverd.

Waar MS Duplex draait en hoe je data wordt behandeld, wordt vanaf het eerste gesprek afgestemd met je beveiligingsverantwoordelijken en data-eigenaren. De ervaring die een pilot opbouwt, is van je organisatie, met elke les en haar bron vastgelegd, zodat je team ze kan beoordelen, corrigeren of verwijderen.

Veelgestelde vragen

Verandert MS Duplex ons model?

Het laat de gewichten van het model zoals ze zijn. MS Duplex leert naast het model, en daarom is een les klaar vanaf het volgende verzoek, kan één les afzonderlijk worden gecorrigeerd en gaat de ervaring mee wanneer je van model wisselt.

Waarvan leert het?

Uit de uitkomsten en correcties van experts die je team kiest vast te leggen: een geslaagde test, een meting, een goedgekeurde conclusie, een correctie met de reden erbij. Elke les behoudt zijn bron en de omstandigheden waaronder hij geldt.

Is MS Duplex gebonden aan één wetenschappelijk vakgebied?

Nee. Het werkt in elk vakgebied waar een team onderzoek of engineering doet met AI.

Van wie is wat het leert?

Van je organisatie. De ervaring staat in een opslag die van je organisatie is, valt onder je regels en wordt met geen enkel ander bedrijf gedeeld. Je team kan elke les inzien, corrigeren, verwijderen of herstellen.

Gebouwd door MatterSpace

MatterSpace bouwt MS Duplex voor wetenschappers, onderzoekers en ingenieurs in elk vakgebied, zodat de AI die ze al gebruiken leert van elk resultaat dat ze bevestigen.

Lees verder

  • Een grafietkleurig bureaubakje met een stapel dunne satijnzilveren kaarten, met één kobaltblauwe tabkaart rechtop in het midden van de stapel.Een grafietkleurig bureaubakje met een stapel dunne satijnzilveren kaarten, met één kobaltblauwe tabkaart rechtop in het midden van de stapel.

    MS Duplex8 min. leestijd

    Waarom je onderzoeks-AI vergeet, en wat dat je team kost.

    De meeste AI-tools beginnen elke sessie vanuit wat het model wist toen zijn training eindigde. Wat dat een onderzoeksteam kost, en wat er verandert wanneer bevestigde resultaten ervaring worden.

    Lees het artikel →
  • Een groot gesloten grafietkleurig blok met aan de zijkant een slanke satijnzilveren module, die een kleine vierkante kobaltblauwe indicator draagt.Een groot gesloten grafietkleurig blok met aan de zijkant een slanke satijnzilveren module, die een kleine vierkante kobaltblauwe indicator draagt.

    MS Duplex8 min. leestijd

    Leren van elk bevestigd resultaat, zonder trainingsrun.

    Hoe MS Duplex zich verhoudt tot fine-tuning voor onderzoeksteams: waar elk goed voor is, waarom een correctie geldt vanaf het volgende verzoek, en hoe één les afzonderlijk wordt gewijzigd of verwijderd.

    Lees het artikel →
  • Een hoge losse stapel dunne satijnzilveren vellen naast een compacte grafietkleurige kast met twee kolommen kobaltblauwe ladefronten, beide op een grafietkleurige voetplaat.Een hoge losse stapel dunne satijnzilveren vellen naast een compacte grafietkleurige kast met twee kolommen kobaltblauwe ladefronten, beide op een grafietkleurige voetplaat.

    MS Duplex8 min. leestijd

    Instructiebestanden helpen je AI, tot niemand meer weet welke regel nog geldt.

    Onderzoeksteams houden instructiebestanden, notities en promptbibliotheken bij voor hun AI. Waarom die gewoonte helpt, waar ze ophoudt te helpen en wat geleerde ervaring met bronnen ernaast toevoegt.

    Lees het artikel →

Laat de volgende run profiteren van de vorige.

Breng ons het onderzoek waarin je AI beter moet worden. We plannen een pilot op je eigen workflows, met je experts als beoordelaars.