MS DuplexLag for person, team og organisasjonVis alleVis færre
Lag for person, team og organisasjon.
Hver person, hvert team og organisasjonen lærer på sitt eget nivå.
MS Duplex gir hver forsker, hvert team og hele organisasjonen sitt eget lag med erfaring. Reglene dine avgjør hva som flyttes fra ett lag til det neste, og ingenting av det deles med et annet selskap.
Huske og styre · en av de fjorten funksjonene i MS Duplex


Teamet ditt får
- Læring som respekterer hvem som skal se hva
- Teamkunnskap delt etter reglene dine
- Én standard i hele organisasjonen der du ønsker det
Hva lag for person, team og organisasjon betyr for teamet ditt.
Alt MS Duplex lærer, hører til et lag. En forskers eller ingeniørs egne arbeidsvaner og preferanser ligger i et personlig lag. Det et team bekrefter, ligger i teamets lag. Det organisasjonen tar i bruk som standard, ligger i organisasjonslaget og gjelder overalt.
Hvert lag brukes der det hører hjemme. Agenten til en forsker bygger på forskerens personlige lag, teamets lag og organisasjonslaget samlet, så den jobber slik forskeren jobber, med det teamet har bekreftet og innenfor standardene organisasjonen har satt.
Å flytte erfaring mellom lag er en beslutning teamet ditt tar. En metode som har bevist sin verdi i ett team, kan deles med et annet eller tas i bruk som organisasjonsstandard, under reglene dine og med kilden bevart. Personer og agenter når bare den erfaringen ansvarsområdet deres tillater.
Hvorfor forskning trenger læring på mer enn ett nivå.
Forskningskunnskap har eiere. Noe av den er én persons måte å jobbe på, noe er et teams hardt tilkjempede resultat, og noe er standarden alle bør følge.
Når KI lærer i én felles pott, kan én enkelt forskers vane ende opp med å forme alles agenter, og et teams tidlige funn kan spre seg lenger enn det burde. Når den ikke lærer noe på tvers av personer, gjenoppdager hvert team det teamet ved siden av allerede har bekreftet.
Lag lar en forskningsorganisasjon avgjøre hva som deles. Personlige preferanser forblir personlige, teamresultater når dem som jobber med dem, og metodene organisasjonen stoler på, gjelder der den vil ha dem, hver med en tydelig eier og en tydelig kilde.
Preferanser er personlige
Hvordan hver forsker eller ingeniør liker å jobbe, bør forme deres egen agent, og bare den.
Team eier resultatene sine
Det et team bekrefter, hører først og fremst til teamet som gjorde arbeidet og er avhengig av det.
Standarder bør gjelde overalt
En metode organisasjonen tar i bruk, bør gjelde i hvert team og på hver agent, med den samme kilden bak seg.
Tilgangen følger ansvarsområdet
Personer og agenter bør nå den erfaringen rollen deres tillater, og ikke mer.


Slik fungerer lag i teamets hverdag.
Forskerne dine jobber slik de gjør i dag. MS Duplex holder hver lærdom i sitt lag og samler de riktige lagene for hver agent.
- 1
En lærdom blir til
En forskers korreksjon, et teams bekreftede resultat eller en godkjent konklusjon blir erfaring, med kilden sin og betingelsene den holder under.
- 2
Den havner i sitt lag
En personlig preferanse blir hos forskeren. Et bekreftet teamresultat går til teamet. Reglene dine avgjør hva som er hva.
- 3
Agentene henter fra lagene sine
Hver agent jobber ut fra det personlige laget til forskeren sin, teamets lag og organisasjonslaget, innenfor det omfanget den har lov til.
- 4
Erfaring flyttes etter reglene dine
Når et teams metode viser seg å holde, kan teamet ditt dele den med et annet team eller ta den i bruk som organisasjonsstandard, med kilden bevart.
Et eksempel, fra ethvert fagfelt der flere team bruker agenter.
To team bruker agenter til å rangere kandidater for testing. I løpet av en måned når hver del av erfaringen frem til dem den skal nå.
- 1
En personlig preferanse
En forsker i det første teamet ber agenten sin vise resonnementet før rangeringen. Agenten hennes tar vare på den preferansen, og ingen andres agent endres.
- 2
Et teamresultat
Det første teamet bekrefter at en poengsettingsmetode svikter utenfor et kjent område. Lærdommen går til teamlaget, og hver agent i det teamet sjekker området fra neste forespørsel.
- 3
En delt metode
Det andre teamet møter samme type tilfelle. Lederen for det første teamet deler metoden med dem, og agentene deres starter fra den, med kilden synlig.
- 4
En organisasjonsstandard
Ledelsen tar i bruk metoden som standard for rangering av kandidater. Den flyttes til organisasjonslaget, og agenten til hvert team bruker den, mens hver forskers personlige preferanser forblir som de var.
Lagene får de andre funksjonene til å passe organisasjonen din.
Det MS Duplex lærer, er bare så nyttig som stedet det brukes. Lagene avgjør det, for hver av de andre funksjonene.
Regler og godkjenninger
Reglene dine avgjør hva som flyttes mellom lagene, og en endring i delt erfaring kan vente på godkjenning fra en person, loggført.
Gjenbrukbare metoder
En metode ett team verifiserer, kan deles med andre team eller tas i bruk i hele organisasjonen, og den verifiseres på nytt der den brukes.
Opphav, gjennomgang og avlæring
Hver lærdom beholder kilden sin når den flyttes mellom lagene, så alle kan se hvor en delt standard kom fra.
Forskningsminne på tvers av økter
Hver økt starter fra arbeidets nåværende tilstand, hentet fra lagene den forskeren og det teamet har lov til å bruke.
Dette får teamet ditt.
Læring som respekterer hvem som skal se hva, med deling avgjort av reglene dine.
Personlige lag
Hver forskers arbeidsvaner og preferanser former forskerens egen agent og forblir personlige.
Teamlag
Det et team bekrefter, deles med det teamet, så agentene bygger på teamets egne resultater.
Et organisasjonslag
Én standard på tvers av organisasjonen der du ønsker det, brukt av hver agent.
Deling etter reglene dine
Reglene dine avgjør hva som flyttes mellom lagene, og hver flytting beholder kilden sin.
Tilgang etter omfang
Personer og agenter når bare den erfaringen omfanget deres tillater, og tillatelsene forblir under kontrollene dine.
Bare dine
Erfaringen i hvert lag tilhører organisasjonen din, og ingenting av den deles med et annet selskap.
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.

