Hopp til innholdet
Advancing Bits to Master Atoms
← Alle innlegg

MS Duplex8 min lesetid

Ett læringslag for alle fagfelt forskningsteamet ditt jobber i.

Hvorfor MS Duplex lærer på samme måte i alle fagområder: hva som overføres fra én type forskning til en annen, og hvordan hvert teams erfaring forblir dets egen.

Et koboltblått kuleformet nav som holder rundt et dusin staver i satinert sølv som stråler utover, over en rund sokkel i grafitt.Et koboltblått kuleformet nav som holder rundt et dusin staver i satinert sølv som stråler utover, over en rund sokkel i grafitt.

Få forskningsorganisasjoner arbeider innenfor én disiplin. Ett enkelt selskap kan ha én gruppe som planlegger kjøringer, en annen som rangerer kandidater for testing, en tredje som går gjennom analyser og en fjerde som vurderer design, hver med sine egne verktøy, instrumenter og fagspråk. Når hver gruppe setter opp KI-en sin på egen hånd, ender organisasjonen opp med flere separate oppsett, og det én gruppe lærer, blir værende der det ble lært, eller forsvinner når økten slutter.

MS Duplex ble designet for den organisasjonen. Det er ett læringslag for alle fagområder et team jobber i, koblet til KI-en hver gruppe allerede bruker. Dette innlegget forklarer hvorfor det samme laget kan lære i alle fagområder, hva som overføres fra én type arbeid til en annen og hvordan hvert teams erfaring forblir dets egen.

Hva forskning har felles på tvers av fagfelt

Temaene varierer fra én gruppe til den neste. Formen på arbeidet endrer seg mye mindre. Et team bestemmer hva det skal prøve, kjører det, kontrollerer hva som kom tilbake og bestemmer igjen. Underveis bygger det opp fire typer kunnskap, og alle fagfelt har dem:

  • Metoder: prosedyrer som er bekreftet å fungere, som en rekkefølge av steg, et valg av innstillinger eller et sett med kontroller.
  • Betingelser: området et resultat ble bekreftet innenfor, og utenfor det bør ingen stole på det.
  • Utfall: det en test, en måling eller en ekspert bekreftet, eller korrigerte med en begrunnelse.
  • Beslutninger: hva teamet valgte, og belegget valget bygde på.

Det er disse MS Duplex lærer av. Et bekreftet resultat blir erfaring, tatt vare på med belegget og betingelsene. En prosedyre som fungerer, blir en metode agentene dine bruker på nytt. En beslutning beholder belegget bak seg, så en annen forsker kan gjenskape den fra loggen. Ingenting av dette avhenger av temaet for arbeidet. Det avhenger av hva teamet ditt bekrefter.

Fagkunnskapen blir der den allerede finnes: hos forskerne og ingeniørene dine, i verktøyene dine og i modellene de velger. En gruppe med egne simulatorer, egen analysekode og egne instrumenter når dem fortsatt gjennom sine egne tilkoblinger. MS Duplex lærer av hvordan arbeidet gikk, og tar det med til neste kjøring, så laget blir bedre på hvert teams arbeid ved å lære av det teamets resultater.

Et grafittbrett med et ordnet rutenett av prøveskiver i sølv, der fire har koboltblå lokk og er forbundet med en tynn koboltblå linje.Et grafittbrett med et ordnet rutenett av prøveskiver i sølv, der fire har koboltblå lokk og er forbundet med en tynn koboltblå linje.
Et grafittbrett med et rutenett av prøveskiver i sølv, der fire har koboltblå lokk og er forbundet med en tynn linje: uansett hva brettet inneholder, er det resultatene et team bekrefter, som er verdt å koble sammen og ta vare på.

Samme sløyfe, uansett fag

MS Duplex gjør agenter bedre på samme måte i alle fagfelt. Teamet ditt fortsetter å gjøre arbeidet, og det det bekrefter, læres én gang og brukes fra da av. Si at tre grupper i én organisasjon bruker agenter til ulike oppgaver: én anbefaler innstillinger for neste kjøring, én rangerer kandidater for testing, og én går gjennom analyser før de rapporteres. Hver av dem går gjennom de samme stegene.

  1. Agenten foreslårDen anbefaler en innstilling, rangerer en liste med kandidater eller flagger et steg i en analyse, og arbeider gjennom gruppens egne verktøy slik den gjør i dag.
  2. Et resultat eller en ekspert bekrefterEn kjøring kommer tilbake, en test blir bestått, eller en ekspert godkjenner konklusjonen. Der agenten tok feil, korrigerer eksperten den og sier hvorfor.
  3. Lærdommen tas vare påMS Duplex gjør det bekreftede utfallet om til erfaring: en metode, en korreksjon eller en betingelse, hver med belegget bak seg.
  4. Neste tilfelle starter derfraNeste tilsvarende tilfelle, i en hvilken som helst økt, på en hvilken som helst agent gruppen godkjenner og på en hvilken som helst modell, starter fra den erfaringen.
  5. Forskjeller blir flaggetDer det nye tilfellet skiller seg fra betingelsene lærdommen ble bekreftet under, sier MS Duplex fra, og metoden tilpasses og foreslås for kontroll.

For gruppen som anbefaler innstillinger, kan lærdommen være at én innstilling svikter over en kjent grense. For gruppen som rangerer kandidater, kan det være at en poengsettingsmetode bare holder innenfor et visst område. For dem som går gjennom analyser, kan det være en kontroll som fanger opp en vanlig feil tidlig. Innholdet er forskjellig hver gang. Det MS Duplex gjør med det, er det samme, og det samme er det teamet får: færre gjentatte feil, færre bortkastede kjøringer og en logg over hver endring i agentens atferd med begrunnelsen for den.

Betingelsene er det som lar en lærdom reise

Å huske et resultat er den enkle delen. Forskning krever noe vanskeligere: å vite hvor resultatet holder. En innstilling som fungerte i ett område, kan kaste bort en kjøring i et annet, og en metode som er bekreftet på én type input, kan villede på den neste. Hvert fagfelt har sin egen versjon av dette problemet, og derfor holder MS Duplex hvert resultat sammen med betingelsene det ble bekreftet under.

Det gir en lærdom tre mulige veier i et nytt tilfelle. Der betingelsene samsvarer, brukes den direkte. Der tilfellet er beslektet, men noe er annerledes, tilpasses metoden og foreslås for kontroll før noen stoler på den. Der belegget er tynt eller tilfellet ikke ligner noe som er sett før, går beslutningen til modellen din eller til en forsker, med begrunnelsen.

Den samme omsorgen gjelder når et faktum endrer seg. En ny måling erstatter den gamle, den nyeste bekreftede verdien gjelder fra neste forespørsel, og historikken over hva som endret seg, blir liggende i loggen. I alle fagfelt koster en utdatert verdi en kjøring brukt på feil antakelse, og teamet bør kunne se når og hvorfor en verdi endret seg.

Hvert teams erfaring forblir dets egen

Et felles lag på tvers av fagfelt holder likevel hver lærdom hos dem den tilhører. Alt MS Duplex lærer, ligger i et lag:

  • Person: en forskers eller ingeniørs egne arbeidsvaner og preferanser former deres egen agent, og bare den.
  • Team: det et team bekrefter, deles med det teamet, så agentene dets bygger videre på teamets egne resultater.
  • Organisasjon: det organisasjonen tar i bruk som standard, gjelder i hvert team og på hver agent.

Reglene dine avgjør hva som flyttes mellom lagene. Gruppen som rangerer kandidater, holder poengsettingslærdommene sine i sitt eget teamlag, og gruppen som går gjennom analyser, holder kontrollene sine i sitt. Personer og agenter når bare den erfaringen omfanget deres tillater, og ingenting av den deles med et annet selskap.

Noe kunnskap er verdt å dele på tvers av grupper, og den delingen skjer ved beslutning. Si at to grupper i ulike fagdisipliner begge kjører en kostbar type simulering, og at den ene bekrefter en kontroll som fanger opp et dårlig oppsett før det starter. Lederen der kan dele metoden med den andre gruppen, eller organisasjonen kan ta den i bruk som standard. Metoden beholder kilden sin når den flyttes, og den verifiseres på nytt der den brukes, fordi en kontroll som holdt i én gruppes arbeid, må bevise seg igjen i den nestes.

Tre brett inni hverandre, et stort grafittbrett som rommer et sølvbrett som rommer et lite koboltblått brett, hvert med sine egne rom.Tre brett inni hverandre, et stort grafittbrett som rommer et sølvbrett som rommer et lite koboltblått brett, hvert med sine egne rom.
Tre brett inni hverandre, et stort grafittbrett som holder et sølvbrett som holder et lite koboltblått brett, hvert med sine egne rom: erfaring for person, team og organisasjon, hver holdt på sin egen plass innenfor ett lag.

Ett lag for hele organisasjonen

For en forskningsleder endrer et lag som fungerer i alle fagfelt, regnestykket for å ta i bruk KI. Hver gruppe trenger ikke lenger sitt eget læringsoppsett, sin egen måte å registrere godkjenninger på og sin egen historikk over hva KI-en ble lært. Organisasjonens KI-arbeid samler seg i ett lager den eier, og det fører med seg noen praktiske ting:

  • Regler og godkjenninger samlet på ett sted, med hver godkjenning loggført og hvem som godkjente hva.
  • Én historikk over hva som ble lært, brukt og godkjent, klar til gjennomgang og eksport.
  • Metoder som flyttes mellom grupper etter reglene dine, hver med resultatet som beviste den.
  • Frihet for hver gruppe til å bruke den KI-en den foretrekker: Claude, Codex, Cursor, en annen agent som snakker MCP, eller sine egne agenter via API og Python SDK.
  • Erfaring som blir hos organisasjonen når en modell, en agent eller en leverandør byttes ut.

Det endrer også hva som skjer når folk går videre. Når en forsker går videre, blir metodene vedkommende bekreftet, igjen hos teamet, og et nytt medlems agent starter med teamets beste metoder for hånden. Kunnskap som det tok én gruppe måneder med prøving og feiling å bygge opp, blir hos organisasjonen som betalte for den.

Vanlige spørsmål

Må MS Duplex bygges for vårt fagfelt før vi tar det i bruk?

MS Duplex lærer av utfallene og ekspertkorreksjonene teamet ditt velger å fange opp, i alle fagfelt der dere kjører eksperimenter, simuleringer, analyser eller designgjennomganger med KI. Fagkunnskapen blir hos forskerne og ingeniørene dine, verktøyene dine og modellene dine, og MS Duplex blir bedre på arbeidet ditt ved å lære av resultatene dine.

Kan grupper i ulike fagdisipliner dele én MS Duplex?

Ja. Hver forsker, hvert team og organisasjonen har sitt eget lag med erfaring. Et teams lærdommer blir hos det teamet, og reglene dine avgjør hva som deles med et annet team eller tas i bruk som organisasjonsstandard, med kilden bevart.

Hvordan vet vi at det fungerer på vår type forskning?

Med en pilot på ditt eget arbeid. Velg gjentakende arbeidsflyter der beslutninger gjentar seg, avtal målestokken med ekspertene dine før noe kjøres, kjør oppsettet du har i dag og MS Duplex side om side, og la ekspertene dine vurdere resultatene blindt.

Bygget av MatterSpace

MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.

Les videre

La neste kjøring dra nytte av den forrige.

Kom til oss med forskningen KI-en din bør bli bedre på. Vi planlegger en pilot på dine egne arbeidsflyter, med ekspertene dine som dommere.