MS DuplexOorzaak en gevolg lerenAlles tonenMinder tonen
Oorzaak en gevolg leren.
Je AI leert welke actie tot welke uitkomst leidde.
MS Duplex bewaart het verband tussen wat er werd gedaan, de omstandigheden waaronder het werd gedaan en wat er daarna gebeurde. Het gebruikt die verbanden om de volgende stap aan te bevelen, en laat je onderzoekers weten wanneer een verband nog niet is vastgesteld.
Leren en verbeteren · een van de veertien mogelijkheden van MS Duplex


Je team krijgt
- Aanbevelingen gebaseerd op je eigen uitkomsten
- Een duidelijke scheiding tussen wat bekend is en wat wordt aangenomen
- Betere keuzes voor het volgende experiment of de volgende run
Wat oorzaak en gevolg leren betekent voor je team.
Oorzaak en gevolg leren betekent dat MS Duplex meer bewaart dan het resultaat. Bij elke bevestigde uitkomst bewaart het wat er werd gedaan, de omstandigheden waaronder het werd gedaan en wat er daarna gebeurde, aan elkaar gekoppeld, zodat je AI kan zien welke actie tot welke uitkomst leidde.
Die verbanden bepalen wat je agents aanbevelen. Als je team om de volgende stap vraagt, put MS Duplex uit de acties die tot de gewenste uitkomst leidden, onder omstandigheden zoals de huidige, en laat het de acties die ergens anders uitkwamen buiten beschouwing.
Het zegt ook wat het nog niet weet. Waar een verband tussen een actie en een uitkomst niet is vastgesteld, laat MS Duplex dat je onderzoekers weten, zodat je team een bevinding van een vermoeden kan onderscheiden en het volgende experiment met dat in gedachten kan kiezen.
Waarom onderzoek AI nodig heeft die weet waarom.
Twee resultaten kunnen op elkaar lijken en verschillende oorzaken hebben. Een AI die alleen het resultaat bewaart, kan niet zien welke actie herhaald moet worden.
In onderzoek is een resultaat belangrijk vanwege de manier waarop het tot stand kwam. Een run slaagde door een instelling, onder een bepaalde omstandigheid, na een bepaalde stap. Verander de omstandigheid en dezelfde actie kan ergens anders toe leiden. De beslissing over wat je hierna probeert, hangt af van weten welk deel van het werk het verschil maakte.
Als een AI alleen uitkomsten bewaart, herhaalt hij wat toevallig aan een succes voorafging en behandelt hij toeval als een regel. Zijn aanbevelingen klinken even zeker, of ze nu rusten op veel bevestigde resultaten of op één gelukkige run, en je onderzoekers moeten zelf uitzoeken wat wat is.
Omstandigheden beslissen
Een actie die onder de ene set omstandigheden werkt, kan onder een andere mislukken, dus de omstandigheden moeten met het verband meegaan.
Bevindingen en vermoedens verschillen
Een team moet weten welke aanbevelingen rusten op vastgestelde verbanden en welke nog aannames zijn.
De volgende run is duur
Het volgende experiment goed kiezen hangt af van weten welke acties de uitkomst beïnvloedden.
Beslissingen worden in twijfel getrokken
Een aanbeveling die de actie, de omstandigheden en de uitkomst erachter laat zien, kan door iedereen worden gecontroleerd.


Hoe oorzaak en gevolg leren werkt in de dagelijkse praktijk van je team.
Je team legt vast wat het deed en wat er gebeurde, zoals het dat nu doet. MS Duplex bewaart de verbanden en gebruikt ze voor de volgende aanbeveling.
- 1
Er wordt een actie uitgevoerd
De agent of een onderzoeker voert een stap uit met gekozen instellingen, onder bekende omstandigheden.
- 2
De uitkomst wordt bevestigd
Een test, een meting of een expert bevestigt wat er daarna gebeurde.
- 3
Het verband wordt bewaard
MS Duplex bewaart de actie, de omstandigheden en de uitkomst samen, met het bewijs erachter.
- 4
De volgende stap wordt aanbevolen
Aanbevelingen steunen op vastgestelde verbanden voor omstandigheden zoals de huidige, en een verband dat nog niet is vastgesteld, wordt als zodanig gemarkeerd.
Een voorbeeld, in elk vakgebied waar een agent de volgende run aanbeveelt.
De agent van een team beveelt instellingen aan voor de volgende run richting een doel. Zijn aanbevelingen worden steeds duidelijker over wat bekend is en wat niet.
- 1
Er tekent zich een patroon af
Verschillende geslaagde runs hebben twee instellingen gemeen. Elke run wordt vastgelegd met zijn acties, zijn omstandigheden en zijn bevestigde uitkomst.
- 2
Een verband wordt vastgesteld
Verdere bevestigde runs laten zien dat een van de twee instellingen onder de gebruikelijke omstandigheden van het team tot het doel leidt, en dat de andere geen verschil maakte. MS Duplex bewaart de eerste als vastgesteld verband.
- 3
Een nieuwe omstandigheid
Een onderzoeker vraagt om een aanbeveling onder een omstandigheid die het team niet heeft getest. MS Duplex beveelt de vastgestelde instelling aan en zegt dat het verband onder deze omstandigheid nog niet is vastgesteld.
- 4
Het volgende experiment
Het team voert dat geval uit als gerichte test. Het bevestigde resultaat breidt het verband uit naar de nieuwe omstandigheid of markeert waar het niet meer opgaat, en de volgende aanbeveling houdt daar rekening mee.
Oorzaak en gevolg geeft de andere mogelijkheden hun redenen.
Weten waarom een uitkomst plaatsvond, maakt elk plan, elke beslissing en elke verbetering makkelijker te vertrouwen.
Simulatie vóór actie
Vóór een kostbare stap worden de opties vooruit doorgespeeld met de verbanden die je team heeft bevestigd, zodat het budget gaat naar waar het bewijs naar wijst.
Beslissingen die hun grenzen kennen
Waar een vastgesteld verband duidelijk van toepassing is, beslist MS Duplex direct; waar dat niet zo is, gaat de beslissing naar je model of een onderzoeker, met de reden erbij.
Zelfverbetering
Weten welke actie welke uitkomst veroorzaakte, laat je agents op de juiste plek verbeteren, door eerst te proberen wat tot succes leidde.
Herkomst, review en afleren
Elk verband behoudt de resultaten waarop het rust, zodat een andere onderzoeker een aanbeveling kan reconstrueren en controleren.
Wat je team krijgt.
Aanbevelingen gebaseerd op je eigen uitkomsten, met een duidelijke grens tussen wat bekend is en wat wordt aangenomen.
Aanbevelingen op basis van je uitkomsten
De volgende stap wordt aanbevolen op basis van wat je eigen bevestigde werk laat zien dat tot het gewenste resultaat leidde.
Bekend gescheiden van aangenomen
Elke aanbeveling laat zien of het verband erachter is vastgesteld of nog niet.
Omstandigheden bewaard bij elk verband
Een actie wordt aanbevolen waar de omstandigheden overeenkomen met die waaronder ze werd bevestigd.
Betere keuzes voor de volgende run
Je team kan het volgende experiment of de volgende run richten op de verbanden die het belangrijkst zijn en nog niet zijn vastgesteld.
Redenen vastgelegd
Elke aanbeveling laat de actie, de omstandigheden en de uitkomst erachter zien, klaar voor review.
Verbanden die meegaan
De verbanden die je team vaststelt, gaan mee over sessies, agents en modellen heen.
Veelgestelde vragen.
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.

