MS DuplexLeren over toolsAlles tonenMinder tonen
Leren over tools.
Je agents leren welke tool bij welk probleem past.
MS Duplex leert van hoe elke tool presteerde bij elk soort probleem. De volgende keuze van tool, instelling of methode vertrekt vanuit die ervaring, en je tools blijven zoals ze zijn.
Leren en verbeteren · een van de veertien mogelijkheden van MS Duplex


Je team krijgt
- Betere toolkeuzes bij elke run
- Je bestaande tools, effectiever gebruikt
- Eén overzicht van waar elke tool goed voor is
Wat leren over tools betekent voor je team.
Leren over tools betekent dat je agents leren van de tools die ze gebruiken. Elke keer dat een agent een simulator, analysecode, een databasequery of een instrument draait, laat de uitkomst zien hoe goed die tool, met die instellingen, dat soort probleem heeft gediend. MS Duplex bewaart die ervaring en brengt haar naar de volgende keuze.
Je agents blijven je tools bereiken via hun eigen koppelingen. MS Duplex staat ernaast en leert van wat er gebeurde: welke tool een bevestigd resultaat gaf, welke tekortschoot en onder welke omstandigheden. Je tools hoeven hiervoor niet te veranderen.
Na verloop van tijd ontstaat zo één overzicht van waar elke tool goed voor is, gebaseerd op de eigen uitkomsten van je team. Een nieuwe onderzoeker, een nieuwe agent of een nieuw model begint met dat overzicht in plaats van het opnieuw uit te zoeken.
Waarom onderzoek AI nodig heeft die zijn tools leert kennen.
Onderzoeksteams draaien op tools. Bij de keuze van de juiste tool, met de juiste instellingen, wordt vaak bepaald wat een resultaat kost.
De meeste teams hebben meer dan één manier om dezelfde vraag te beantwoorden: een snellere methode en een grondigere, twee simulators met verschillende sterke punten, een analyse die goed werkt op het ene soort data en slecht op het andere. Welke bij een bepaald probleem past, is knowhow die ervaren onderzoekers met zich meedragen, en die een agent die een nieuwe sessie begint niet heeft.
Zonder leren over tools kiezen agents tools op basis van algemene kennis en de instructies die ze krijgen. Ze grijpen naar een tool die bij dit soort problemen al tekortschoot, gebruiken instellingen die iemand al ontoereikend vond, en besteden rekenkracht en instrumenttijd aan runs die het team had kunnen voorspellen.
Tools hebben sterke punten
Elke tool past bij sommige problemen beter dan bij andere, en je eigen uitkomsten laten zien bij welke.
Instellingen doen ertoe
Dezelfde tool met andere instellingen kan een bruikbaar resultaat geven of een verspilde run.
Runs zijn duur
Een run op de verkeerde tool kost rekenkracht of instrumenttijd die een betere keuze had bespaard.
Knowhow gaat mee
Wat ervaren onderzoekers over je tools weten, moet bij het team blijven wanneer zij van rol wisselen.


Hoe leren over tools werkt in de dagelijkse praktijk van je team.
Je agents blijven je tools gebruiken zoals ze dat vandaag doen. MS Duplex leert van hoe elke tool presteerde en neemt dat mee naar de volgende keuze.
- 1
Je agent kiest een tool
Hij draait een simulator, analysecode, een databasequery of een instrument via zijn eigen koppeling, met de instellingen die hij koos.
- 2
De uitkomst wordt bevestigd
Een test, een meting of een expert bevestigt het resultaat, of corrigeert het en zegt waarom.
- 3
De ervaring wordt bewaard
MS Duplex legt vast hoe die tool en die instellingen presteerden op dat soort probleem, met het bewijs en de omstandigheden.
- 4
De volgende keuze is beter geïnformeerd
Bij het volgende vergelijkbare probleem, in elke sessie, elke agent of elk model, begint de agent bij wat werkte. Waar de omstandigheden verschillen, zegt MS Duplex dat.
Een voorbeeld, uit elk vakgebied waarin een agent analyses uitvoert.
De agent van een team kiest tussen twee analysetools voor een terugkerend soort probleem. In een paar weken worden zijn keuzes beter, zonder dat iemand een handleiding schrijft.
- 1
Een trage standaardkeuze
Eerst gebruikt de agent elke keer de grondigere tool. Een expert merkt op dat de snellere tool bij eenvoudige gevallen hetzelfde bevestigde antwoord geeft, en legt vast waarom.
- 2
Een instelling die faalt
Bij een moeilijker geval levert de snellere tool met zijn standaardinstelling een resultaat op dat geen stand houdt. De expert corrigeert het, en MS Duplex bewaart de instelling en de omstandigheden waaronder die faalde.
- 3
Een betere eerste keuze
Bij het volgende eenvoudige geval kiest de agent de snellere tool. Bij het volgende moeilijke gaat hij direct naar de grondige tool en laat hij de mislukte instelling links liggen.
- 4
Een gedeeld overzicht
De agent van een collega, op een ander model, komt hetzelfde soort probleem tegen. Hij begint bij hetzelfde overzicht van welke tool bij welk geval past, met elke bron vastgelegd.
Leren over tools maakt de andere mogelijkheden scherper.
Wat MS Duplex over je tools leert, voedt elke keuze die de rest van de laag maakt.
Simulatie vóór actie
Vóór een kostbare run worden de opties afgewogen op basis van wat je team over elke tool heeft geleerd, zodat het budget gaat naar waar het het werk het waarschijnlijkst vooruithelpt.
Oorzaak en gevolg leren
Het verband tussen een tool, de instellingen, de omstandigheden en de uitkomst wordt bewaard, zodat een aanbeveling laat zien waarop ze berust.
Herbruikbare methoden
Een tool en instelling die voor een soort probleem bevestigd zijn, worden onderdeel van een methode die je agents hergebruiken en aanpassen.
Beslissingen die hun grenzen kennen
Waar de ervaring duidelijk laat zien welke tool past, wordt de keuze direct gemaakt; waar ze mager is, gaat de keuze naar je model of een onderzoeker.
Wat je team krijgt.
Agents die beter worden in het gebruik van je tools, met elke keuze gekoppeld aan de eigen uitkomsten van je team.
Betere toolkeuzes
Elke run vult aan wat je agents weten over welke tool bij welk probleem past.
Betere instellingen
Instellingen die werkten, worden eerst geprobeerd, en instellingen die tekortschoten, worden niet meer voorgesteld.
Je bestaande tools
Je simulators, analysecode, databases en instrumenten blijven zoals ze zijn en worden effectiever gebruikt.
Eén overzicht van elke tool
Waar elke tool goed voor is, gebaseerd op je eigen uitkomsten, op één plek die je team kan beoordelen.
Minder verspilde runs
Agents grijpen niet langer naar een tool die bij dat soort probleem al tekortschoot.
Knowhow die blijft
Wat je team over zijn tools leert, blijft bij het team, over mensen, 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.

