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

MS Duplex8 min. leestijd

Eén leerlaag voor elk vakgebied waarin je onderzoeksteam werkt.

Waarom MS Duplex in elk vakgebied op dezelfde manier leert: wat van het ene soort onderzoek naar het andere overgaat, en hoe de ervaring van elk team van dat team blijft.

Een kobaltblauwe bolvormige hub met ongeveer een dozijn satijnzilveren staven die naar buiten uitwaaieren, boven een ronde grafietkleurige voet.Een kobaltblauwe bolvormige hub met ongeveer een dozijn satijnzilveren staven die naar buiten uitwaaieren, boven een ronde grafietkleurige voet.

Weinig onderzoeksorganisaties werken in één discipline. Eén bedrijf kan een groep hebben die runs plant, een andere die kandidaten rangschikt voor tests, een derde die analyses beoordeelt en een vierde die ontwerpen evalueert, elk met eigen tools, instrumenten en vakjargon. Als elke groep haar AI zelf inricht, eindigt de organisatie met meerdere losse opzetten, en wat één groep leert, blijft waar het is geleerd, of is weg als de sessie eindigt.

MS Duplex is voor die organisatie ontworpen. Het is één leerlaag voor elk vakgebied waarin een team werkt, aangesloten op de AI die elke groep al gebruikt. Deze post legt uit waarom dezelfde laag in elk vakgebied kan leren, wat van het ene soort werk naar het andere overgaat en hoe de ervaring van elk team van dat team blijft.

Wat onderzoek in alle vakgebieden gemeen heeft

De onderwerpen verschillen van groep tot groep. De vorm van het werk verandert veel minder. Een team beslist wat het probeert, voert het uit, controleert wat er terugkwam en beslist opnieuw. Onderweg bouwt het vier soorten kennis op, en elk vakgebied heeft ze:

  • Methoden: procedures waarvan bevestigd is dat ze werken, zoals een volgorde van stappen, een keuze van instellingen of een reeks controles.
  • Omstandigheden: het bereik waarin een resultaat is bevestigd, en waarbuiten niemand erop zou moeten vertrouwen.
  • Uitkomsten: wat een test, een meting of een expert heeft bevestigd, of met een reden heeft gecorrigeerd.
  • Beslissingen: wat het team koos, en het bewijs waarop die keuze steunde.

Hiervan leert MS Duplex. Een bevestigd resultaat wordt ervaring, bewaard met zijn bewijs en zijn omstandigheden. Een procedure die werkt, wordt een methode die je agents hergebruiken. Een beslissing behoudt het bewijs erachter, zodat een andere onderzoeker haar uit het dossier kan reconstrueren. Niets hiervan hangt af van het onderwerp van het werk. Het hangt af van wat je team bevestigt.

De expertise blijft waar die al zit: bij je wetenschappers en engineers, je tools en de modellen die zij kiezen. Een groep met eigen simulators, analysecode en instrumenten blijft die via haar eigen koppelingen bereiken. MS Duplex leert van hoe het werk uitpakte en neemt dat mee naar de volgende run, zodat de laag beter wordt in het werk van elk team door te leren van de resultaten van dat team.

Een grafietkleurig blad met een geordend raster van zilveren monsterschijven, waarvan er vier een kobaltblauwe dop hebben en met een dunne kobaltblauwe lijn zijn verbonden.Een grafietkleurig blad met een geordend raster van zilveren monsterschijven, waarvan er vier een kobaltblauwe dop hebben en met een dunne kobaltblauwe lijn zijn verbonden.
Een grafietkleurig blad met een raster van zilveren monsterschijven, waarvan er vier een kobaltblauwe dop hebben en met een dunne lijn zijn verbonden: wat er ook op het blad ligt, de resultaten die een team bevestigt, zijn de resultaten die het waard zijn om te verbinden en te bewaren.

Dezelfde lus, wat het onderwerp ook is

MS Duplex maakt agents in elk vakgebied op dezelfde manier beter. Je team blijft het werk doen, en wat het bevestigt, wordt één keer geleerd en vanaf dan gebruikt. Stel dat drie groepen in één organisatie agents gebruiken voor verschillende taken: één beveelt instellingen aan voor de volgende run, één rangschikt kandidaten om te testen en één beoordeelt analyses voordat ze worden gerapporteerd. Elk doorloopt dezelfde stappen.

  1. De agent doet een voorstelHij beveelt een instelling aan, rangschikt een lijst kandidaten of markeert een stap in een analyse, en werkt daarbij via de eigen tools van de groep, zoals nu.
  2. Een resultaat of een expert bevestigtEen run komt terug, een test slaagt of een expert keurt de conclusie goed. Waar de agent het mis had, corrigeert de expert hem en zegt waarom.
  3. De les wordt bewaardMS Duplex zet de bevestigde uitkomst om in ervaring: een methode, een correctie of een voorwaarde, elk met het bewijs erachter.
  4. Het volgende geval begint daarbijHet volgende overeenkomende geval, in elke sessie, op elke agent die de groep toestaat en op elk model, begint bij die ervaring.
  5. Verschillen worden gemarkeerdWaar het nieuwe geval afwijkt van de omstandigheden waaronder de les werd bevestigd, meldt MS Duplex dat, en wordt de methode aangepast en ter controle voorgesteld.

Voor de groep die instellingen aanbeveelt, kan de les zijn dat één instelling faalt boven een bekende grens. Voor de groep die kandidaten rangschikt, kan het zijn dat een scoringsmethode alleen binnen een bepaald bereik standhoudt. Voor de reviewers kan het een controle zijn die een veelvoorkomende fout vroeg opvangt. De inhoud is elke keer anders. Wat MS Duplex ermee doet, is hetzelfde, en dat geldt ook voor wat het team krijgt: minder herhaalde fouten, minder verspilde runs en een dossier van elke verandering in het gedrag van de agent, met de reden ervan.

Omstandigheden maken een les overdraagbaar

Een resultaat onthouden is het makkelijke deel. Onderzoek vraagt iets moeilijkers: weten waar het resultaat geldt. Een instelling die in het ene bereik werkte, kan in een ander bereik een run verspillen, en een methode die op het ene soort input is bevestigd, kan bij het volgende misleiden. Elk vakgebied heeft zijn eigen versie van dit probleem, en daarom bewaart MS Duplex elk resultaat met de omstandigheden waaronder het is bevestigd.

Dat geeft een les drie mogelijke routes bij een nieuw geval. Waar de omstandigheden overeenkomen, wordt hij direct toegepast. Waar het geval verwant is maar er iets afwijkt, wordt de methode aangepast en ter controle voorgesteld voordat iemand erop vertrouwt. Waar het bewijs mager is of het geval op niets lijkt wat eerder is gezien, gaat de beslissing naar je model of naar een onderzoeker, met de reden.

Dezelfde zorg geldt wanneer een feit achterhaald raakt. Een nieuwe meting vervangt de oude, de nieuwste bevestigde waarde geldt vanaf het volgende verzoek, en de geschiedenis van wat er veranderde, blijft vastgelegd. In elk vakgebied kost een verouderde waarde een run die op de verkeerde aanname is besteed, en het team moet kunnen zien wanneer en waarom een waarde veranderde.

De ervaring van elk team blijft van dat team

Eén laag over alle vakgebieden heen houdt elke les toch bij de mensen bij wie die hoort. Alles wat MS Duplex leert, zit in een laag:

  • Persoonlijk: de eigen werkgewoonten en voorkeuren van een wetenschapper of engineer bepalen de eigen agent, en alleen die.
  • Team: wat een team bevestigt, wordt gedeeld met dat team, zodat de agents ervan voortbouwen op de eigen resultaten van het team.
  • Organisatie: wat de organisatie als standaard aanneemt, geldt in elk team en op elke agent.

Jouw regels bepalen wat er tussen lagen wordt verplaatst. De groep die kandidaten rangschikt, houdt haar scoringslessen in haar eigen teamlaag, en de groep die analyses beoordeelt, houdt haar controles in de hare. Mensen en agents bereiken alleen de ervaring die hun scope toestaat, en niets ervan wordt gedeeld met een ander bedrijf.

Sommige kennis is het waard om tussen groepen te delen, en dat delen gebeurt op basis van een besluit. Stel dat twee groepen in verschillende disciplines allebei een kostbaar soort simulatie draaien, en dat een van hen een controle bevestigt die een slechte opzet opvangt voordat die start. De leider van die groep kan de methode delen met de andere groep, of de organisatie kan die als standaard aannemen. De methode behoudt haar bron terwijl ze zich verplaatst, en wordt opnieuw geverifieerd waar ze wordt gebruikt, omdat een controle die in het werk van de ene groep standhield, zich in dat van de volgende opnieuw moet bewijzen.

Drie in elkaar geplaatste bakken: een grote grafieten bak met daarin een zilveren bak met daarin een kleine kobaltblauwe bak, elk met eigen vakken.Drie in elkaar geplaatste bakken: een grote grafieten bak met daarin een zilveren bak met daarin een kleine kobaltblauwe bak, elk met eigen vakken.
Drie in elkaar geplaatste bakken, een grote grafieten bak met daarin een zilveren bak met daarin een kleine kobaltblauwe bak, elk met eigen vakken: persoonlijke ervaring, teamervaring en organisatie-ervaring, elk op een eigen plek binnen één laag.

Eén laag voor de hele organisatie

Voor een onderzoeksleider verandert een laag die in elk vakgebied werkt de rekensom van het invoeren van AI. Elke groep heeft niet langer een eigen leeropzet nodig, een eigen manier om goedkeuringen vast te leggen en een eigen geschiedenis van wat de AI is aangeleerd. Het AI-werk van de organisatie stapelt zich op in één opslag die van haar is, en dat brengt een paar praktische zaken met zich mee:

  • Regels en goedkeuringen op één plek, met elke goedkeuring vastgelegd en wie wat heeft goedgekeurd.
  • Eén geschiedenis van wat is geleerd, gebruikt en goedgekeurd, klaar om te beoordelen en te exporteren.
  • Methoden die volgens jouw regels tussen groepen worden verplaatst, elk met het resultaat dat ze heeft bewezen.
  • Vrijheid voor elke groep om de AI te gebruiken die ze verkiest: Claude, Codex, Cursor, een andere agent die MCP spreekt of haar eigen agents via de API en Python SDK.
  • Ervaring die bij de organisatie blijft wanneer een model, een agent of een leverancier verandert.

Het verandert ook wat er gebeurt als mensen van plek wisselen. Wanneer een onderzoeker vertrekt, blijven de methoden die hij of zij bevestigde bij het team, en begint de agent van een nieuw teamlid met de beste methoden van het team al bij de hand. Knowhow waarvoor één groep maanden van vallen en opstaan nodig had, blijft bij de organisatie die ervoor heeft betaald.

Veelgestelde vragen

Moet MS Duplex voor ons vakgebied worden gebouwd voordat we het gebruiken?

MS Duplex leert van de uitkomsten en correcties van experts die je team kiest vast te leggen, in elk vakgebied waarin je met AI experimenten, simulaties, analyses of ontwerpreviews uitvoert. De vakinhoudelijke expertise blijft bij je wetenschappers en engineers, je tools en je modellen, en MS Duplex wordt beter in je werk door te leren van je resultaten.

Kunnen groepen in verschillende disciplines één MS Duplex delen?

Ja. Elke onderzoeker, elk team en de organisatie heeft een eigen laag ervaring. De lessen van een team blijven bij dat team, en jouw regels bepalen wat wordt gedeeld met een ander team of wordt aangenomen als organisatiestandaard, met behoud van de bron.

Hoe weten we dat het werkt voor ons soort onderzoek?

Met een pilot op je eigen werk. Kies terugkerende workflows waarin beslissingen terugkomen, spreek de maatstaf af met je experts voordat er iets draait, draai je huidige opzet en MS Duplex naast elkaar, en laat je experts de resultaten blind beoordelen.

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

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.