MS DuplexLæring av årsak og virkningVis alleVis færre
Læring av årsak og virkning.
KI-en din lærer hvilken handling som førte til hvilket utfall.
MS Duplex tar vare på sammenhengen mellom det som ble gjort, betingelsene det ble gjort under og det som skjedde etterpå. Den bruker disse sammenhengene til å anbefale neste steg, og sier fra til forskerne dine når en sammenheng ennå ikke er etablert.
Lære og forbedre · en av de fjorten funksjonene i MS Duplex


Teamet ditt får
- Anbefalinger forankret i dine egne utfall
- Tydelig skille mellom det som er kjent og det som er antatt
- Bedre valg av neste eksperiment eller kjøring
Hva læring av årsak og virkning betyr for teamet ditt.
Læring av årsak og virkning betyr at MS Duplex tar vare på mer enn resultatet. For hvert bekreftede utfall tar den vare på det som ble gjort, betingelsene det ble gjort under og det som skjedde etterpå, koblet sammen, så KI-en din kan se hvilken handling som førte til hvilket utfall.
Disse sammenhengene former det agentene dine anbefaler. Når teamet ditt ber om neste steg, bygger MS Duplex på handlingene som førte til utfallet du ønsker, under betingelser som ligner de nåværende, og legger til side handlingene som førte et annet sted.
Den sier også hva den ennå ikke vet. Der en sammenheng mellom en handling og et utfall ikke er etablert, sier MS Duplex fra til forskerne dine, så teamet ditt kan skille et funn fra en anelse og velge neste eksperiment med det i tankene.
Hvorfor forskning trenger KI som vet hvorfor.
To resultater kan se like ut og ha ulike årsaker. En KI som bare tar vare på resultatet, kan ikke avgjøre hvilken handling som bør gjentas.
I forskning betyr et resultat noe på grunn av hvordan det oppstod. En kjøring lyktes på grunn av en innstilling, under en bestemt betingelse, etter et bestemt steg. Endre betingelsen, og den samme handlingen kan føre et annet sted. Beslutningen om hva som skal prøves neste gang, avhenger av å vite hvilken del av arbeidet som utgjorde forskjellen.
Når en KI bare tar vare på utfall, gjentar den det som tilfeldigvis kom før en suksess, og behandler en tilfeldighet som en regel. Anbefalingene høres like sikre ut enten de bygger på mange bekreftede resultater eller på én heldig kjøring, og forskerne dine må selv finne ut hva som er hva.
Betingelsene avgjør
En handling som fungerer under ett sett betingelser, kan feile under et annet, så betingelsene må følge med sammenhengen.
Funn og anelser er ikke det samme
Et team må vite hvilke anbefalinger som bygger på etablerte sammenhenger, og hvilke som fortsatt er antakelser.
Neste kjøring er dyr
Å velge neste eksperiment godt avhenger av å vite hvilke handlinger som påvirket utfallet.
Beslutninger blir utfordret
En anbefaling som viser handlingen, betingelsene og utfallet bak seg, kan kontrolleres av hvem som helst.


Slik fungerer læring av årsak og virkning i teamets hverdag.
Teamet ditt registrerer hva det gjorde og hva som skjedde, slik det gjør i dag. MS Duplex tar vare på sammenhengene og bruker dem i neste anbefaling.
- 1
En handling utføres
Agenten eller en forsker kjører et steg med valgte innstillinger, under kjente betingelser.
- 2
Utfallet bekreftes
En test, en måling eller en ekspert bekrefter hva som skjedde etterpå.
- 3
Sammenhengen tas vare på
MS Duplex holder handlingen, betingelsene og utfallet samlet, med belegget bak dem.
- 4
Neste steg anbefales
Anbefalingene bygger på etablerte sammenhenger for betingelser som ligner de nåværende, og en sammenheng som ennå ikke er etablert, merkes som det.
Et eksempel, innen ethvert fagfelt der en agent anbefaler neste kjøring.
Agenten til et team anbefaler innstillinger for neste kjøring mot et mål. Anbefalingene blir tydeligere på hva som er kjent og hva som ikke er det.
- 1
Et mønster dukker opp
Flere vellykkede kjøringer har to innstillinger felles. Hver kjøring registreres med handlingene, betingelsene og det bekreftede utfallet.
- 2
En sammenheng etableres
Flere bekreftede kjøringer viser at den ene av de to innstillingene fører til målet under teamets vanlige betingelser, og at den andre ikke utgjorde noen forskjell. MS Duplex tar vare på den første som en etablert sammenheng.
- 3
En ny betingelse
En forsker ber om en anbefaling under en betingelse teamet ikke har testet. MS Duplex anbefaler den etablerte innstillingen og sier at sammenhengen ennå ikke er etablert under denne betingelsen.
- 4
Neste eksperiment
Teamet kjører det tilfellet som en bevisst test. Det bekreftede resultatet utvider sammenhengen til den nye betingelsen eller markerer hvor den slutter å gjelde, og neste anbefaling gjenspeiler det.
Årsak og virkning gir de andre funksjonene deres begrunnelser.
Å vite hvorfor et utfall skjedde, gjør hver plan, beslutning og forbedring lettere å stole på.
Simulering før handling
Før et kostbart steg spilles alternativene gjennom ved hjelp av sammenhengene teamet ditt har bekreftet, så budsjettet går dit belegget peker.
Beslutninger som kjenner sine grenser
Der en etablert sammenheng tydelig gjelder, avgjør MS Duplex direkte; der den ikke gjør det, går beslutningen til modellen din eller en forsker, med begrunnelse.
Selvforbedring
Å vite hvilken handling som forårsaket hvilket utfall, lar agentene dine forbedre seg på riktig sted, ved først å prøve det som førte til suksess.
Opphav, gjennomgang og avlæring
Hver sammenheng beholder resultatene den bygger på, så en annen forsker kan gjenskape en anbefaling og kontrollere den.
Dette får teamet ditt.
Anbefalinger forankret i dine egne utfall, med et tydelig skille mellom det som er kjent og det som er antatt.
Anbefalinger ut fra dine utfall
Neste steg anbefales ut fra det ditt eget bekreftede arbeid viser førte til resultatet du ønsker.
Kjent skilt fra antatt
Hver anbefaling viser om sammenhengen bak den er etablert eller ennå ikke etablert.
Betingelser lagret med hver sammenheng
En handling anbefales der betingelsene samsvarer med dem den ble bekreftet under.
Bedre valg av neste kjøring
Teamet ditt kan rette neste eksperiment eller kjøring mot sammenhengene som betyr mest og ennå ikke er etablert.
Begrunnelser i loggen
Hver anbefaling viser handlingen, betingelsene og utfallet bak seg, klar til gjennomgang.
Sammenhenger som følger med
Sammenhengene teamet ditt etablerer, følger med på tvers av økter, agenter og modeller.
Vanlige spørsmål.
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.

