De meeste onderzoeksleiders hebben het zien gebeuren. Een expert corrigeert de AI van het team, de sessie eindigt, en de week erna duikt dezelfde fout op in de sessie van een collega. Het model deed wat modellen doen: zijn kennis lag vast toen zijn training eindigde, en niets wat het team het sindsdien heeft verteld, heeft dat veranderd.
Continu leren is de naam voor AI die blijft leren nadat hij in gebruik is genomen. De term wordt losjes gebruikt. Deze gids zet uiteen wat het in de praktijk betekent voor een team dat MS Duplex gebruikt, waar je op let naarmate het werk vordert, hoe gewijzigde feiten worden behandeld en hoe je beoordeelt of het werkt.
Wat continu leren betekent voor je team
In MS Duplex betekent continu leren dat de AI die je wetenschappers en engineers al gebruiken, leert van het werk dat ze doen. Als een test slaagt, een meting terugkomt of een expert een conclusie goedkeurt, wordt de les bewaard en geldt hij vanaf het volgende verzoek. Als een expert de agent corrigeert en zegt waarom, wordt de correctie bewaard met de reden erbij.
Vier eigenschappen maken dat nuttig voor een onderzoeksteam:
- Het leert van bevestigde uitkomsten. Elke les komt voort uit een resultaat, een meting of het oordeel van een expert, en verwijst daarnaar terug.
- Het bewaart omstandigheden bij resultaten. Een les wordt toegepast waar de omstandigheden waaronder hij is bevestigd overeenkomen, en gemarkeerd waar ze verschillen.
- Het voegt toe zonder te wissen. Een nieuwe les laat wat eerder is geleerd intact, dus een grens die aan het begin van een project is bevestigd, telt tegen het einde nog steeds.
- Het laat het model zoals het is. Het leren gebeurt naast het model, terwijl de gewichten blijven zoals ze zijn, dus het werkt met Claude, Codex, Cursor, elke agent die MCP spreekt of je eigen agents, en het gaat mee als je van model wisselt.
Je team houdt de regie over wat wordt geleerd. MS Duplex leert van de uitkomsten en correcties die je team kiest vast te leggen, je wetenschappers en engineers beslissen wat wordt overgenomen, en elke les kan afzonderlijk worden beoordeeld, gecorrigeerd of verwijderd.
Hoe een les door het werk gaat
De cyclus is in elk vakgebied hetzelfde en past in werk dat je team al doet. Stel dat de agent van een team instellingen aanbeveelt voor de volgende run van een terugkerende analyse. Hier volgt één les van begin tot eind.
- De agent doet een voorstelHij beveelt instellingen aan voor de volgende run, met het model en de tools die het team al gebruikt, op basis van wat het team tot nu toe heeft bevestigd.
- Een resultaat of een persoon bevestigtDe run komt terug zoals voorspeld, of een reviewer wijst de aanbeveling af en legt vast waarom: de instellingen negeren een grens van de methode die het team goed kent.
- MS Duplex bewaart de lesDe bevestiging of de correctie wordt bewaard met het bijbehorende bewijs en de omstandigheden waaronder ze geldt, klaar vanaf het volgende verzoek.
- Het volgende passende geval begint vanuit die lesIn elke sessie, op elke agent die het team autoriseert en met elk model, begint een geval met dezelfde omstandigheden vanuit de les. Waar de omstandigheden verschillen, zegt MS Duplex dat.
- Het dossier groeitDe les komt in één geschiedenis terecht, met zijn bron, zodat iedereen kan zien waarom de agent vandaag aanbeveelt wat hij aanbeveelt, en wat er sinds vorige maand is veranderd.
Op geen enkel moment bereidt iemand een dataset voor of plant iemand een trainingsrun. Wat het team aan zijn dag toevoegt, is een beslissing over welke uitkomsten worden vastgelegd en, bij een correctie, een zin over waarom die is gemaakt.


Waar je op let naarmate het werk vordert
Continu leren laat zich zien in het werk zelf, beetje bij beetje. Een leider die weet waar hij op moet letten, kan het in elke fase zien. Dit zijn de veranderingen om op te letten naarmate lessen zich opbouwen.
Correcties herhalen zich niet meer
Het eerste teken is het eenvoudigste. Een expert corrigeert de agent één keer, en dezelfde correctie zou in de volgende sessie niet nodig moeten zijn, of nu de expert of een collega achter het toetsenbord zit. Vraag je experts of ze nog correcties maken die ze al eerder hebben gemaakt. Als dat zo is, zoek dan uit of die correcties zijn vastgelegd.
Wat werkte, wordt als eerste geprobeerd
Naarmate bevestigde resultaten zich opstapelen, worden de aanpakken die onder bepaalde omstandigheden werkten de eerste keuze van de agent voor gevallen met dezelfde omstandigheden, en worden stappen die mislukten niet meer voorgesteld. Er gaan minder runs naar het herontdekken van wat het team al wist, en de eerste suggestie van de agent bij een bekend geval is vaker de suggestie die een expert zou hebben gedaan.
Oudere lessen blijven in gebruik
Een team dat al een tijd met zijn AI werkt, heeft lessen van allerlei leeftijden. Controleer of een vroege les nog steeds geldt waar de omstandigheden overeenkomen, nadat er veel nieuwere zijn bijgekomen. Omdat een nieuwe les de rest laat zoals die was, bepaalt de bedrijfsgrens die een expert aan het begin van een project bevestigde later nog steeds mee de aanbevelingen.
Nieuwe sessies en nieuwe mensen beginnen goed geïnformeerd
Een collega die een nieuwe sessie opent, op een andere assistent of met een ander model, begint met de lessen die het team heeft bevestigd, elk met zijn bron. De kwaliteit van de hulp van de agent hangt niet langer af van wie er toevallig bij de vorige sessie was.
Hoe gewijzigde feiten worden behandeld
Onderzoekskennis ontwikkelt zich. Een nieuwe kalibratie vervangt een oude referentiewaarde, een nieuwe meting vervangt een schatting, een expert herziet een grens nadat er meer data is binnengekomen. Een AI die de oude waarde blijft citeren, richt ongemerkt schade aan, omdat het getal komt met de zekerheid van iets wat is geleerd.
Als in MS Duplex een nieuwere bevestigde waarde een oudere vervangt, geldt de nieuwste vanaf het volgende verzoek. De oudere waarde blijft in de geschiedenis staan, met wanneer en waarom die veranderde, zodat een reviewer nog steeds kan zien waarop een eerdere beslissing steunde op het moment dat ze werd genomen.
- 0 van 8.640antwoorden over een gewijzigd feit gaven de verouderde waarde, in gecontroleerde tests van MatterSpace
Dat cijfer komt uit de gecontroleerde tests van MS Duplex door MatterSpace. Een pilot meet wat het doet op je eigen werk, en gewijzigde feiten zijn het waard om daar bewust te testen: kies een waarde die je team heeft bijgewerkt, en controleer daarna welke waarde de agent gebruikt en of de geschiedenis de wijziging laat zien.
Een gewijzigd feit is iets anders dan een foute les, en MS Duplex behandelt elk op zijn eigen manier. Blijkt een les te berusten op een gebrekkige meting, dan verwijdert je team hem, en de aanbevelingen die ervan afhingen verdwijnen mee, terwijl al het andere blijft. Gold een les onder nauwere omstandigheden dan vastgelegd, dan corrigeert een expert hem en verandert alleen die les. Een verwijderde les kan worden hersteld als het team van gedachten verandert.


Hoe je het beoordeelt
Beoordeel continu leren op de beslissingen die je team steeds opnieuw neemt, waar een verkeerde of onnodige run duur is. Daar heeft het leren de meeste kansen om zich te laten zien, en daar kost het ontbreken ervan het meest.
MS Duplex wordt beoordeeld in een pilot op je eigen werk. Je experts spreken de maatstaf af voordat er iets draait: de kosten van elk geaccepteerd, reproduceerbaar resultaat, en de experttijd die het kost. Hetzelfde model, dezelfde tools, dezelfde data en hetzelfde budget draaien met en zonder MS Duplex, en je experts beoordelen de resultaten zonder te weten welke opstelling ze heeft opgeleverd.
Naast die maatstaf vertellen een paar vragen een leider of het leren van het soort is waarop een onderzoeksteam kan vertrouwen:
- Kunnen we zien waarom de agent zich vandaag anders gedraagt? Elke gedragsverandering zou moeten verwijzen naar de uitkomst die haar rechtvaardigde.
- Toont elke les zijn bron en zijn omstandigheden? Een aanbeveling die je team niet kan herleiden, moet het op goed vertrouwen aannemen.
- Als we een feit bijwerken, gaat de agent dan over op de nieuwe waarde, met behoud van de geschiedenis?
- Kunnen we één les corrigeren of verwijderen en de rest laten zoals die was?
- Maken onze experts nog steeds twee keer dezelfde correctie?
- Gaat de ervaring mee naar een nieuwe sessie, de agent van een collega en een ander model?
Veelgestelde vragen
Hoe snel geldt een les?
Vanaf het volgende verzoek. Er is geen trainingscyclus om op te wachten en geen nieuwe modelversie om na elke les te valideren.
Wie bepaalt wat de AI leert?
Je team. MS Duplex leert van de uitkomsten en correcties die je team kiest vast te leggen, en je wetenschappers en engineers beslissen wat wordt overgenomen. Je regels bepalen of een les persoonlijk blijft, wordt gedeeld met een team of in de hele organisatie geldt.
Vervagen oudere lessen naarmate er nieuwe bijkomen?
Elke nieuwe les laat eerdere lessen zoals ze waren. Een oudere les geldt niet meer wanneer een nieuwer bevestigd resultaat hem vervangt of wanneer je team hem corrigeert of verwijdert, en de geschiedenis legt vast welke van die twee er is gebeurd.
Werkt continu leren in ons vakgebied?
MS Duplex leert in elk vakgebied waarin een team experimenten, simulaties, analyses of ontwerpreviews uitvoert met AI. De cyclus van werk, bevestiging en leren is overal hetzelfde, en de ervaring van elk team blijft van dat team.


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.









