Hoppa till innehållet
Advancing Bits to Master Atoms
← Alla inlägg

MS Duplex8 min läsning

Ett inlärningslager för alla områden som ditt forskarteam arbetar inom.

Varför MS Duplex lär sig på samma sätt inom alla områden: vad som förs vidare från en sorts forskning till en annan, och hur varje teams erfarenhet förblir dess egen.

Ett koboltblått sfäriskt nav som håller ett tiotal stavar i satinerat silver som strålar utåt, ovanför en rund bas i grafit.Ett koboltblått sfäriskt nav som håller ett tiotal stavar i satinerat silver som strålar utåt, ovanför en rund bas i grafit.

Få forskningsorganisationer arbetar inom en enda disciplin. Ett och samma företag kan ha en grupp som planerar körningar, en annan som rangordnar kandidater för testning, en tredje som granskar analyser och en fjärde som utvärderar konstruktioner, var och en med sina egna verktyg, instrument och sitt eget ordförråd. När varje grupp sätter upp sin AI på egen hand får organisationen flera separata konfigurationer, och det som en grupp lär sig stannar där det lärdes, eller försvinner när sessionen avslutas.

MS Duplex utformades för den organisationen. Det är ett inlärningslager för alla områden ett team arbetar inom, kopplat till den AI varje grupp redan använder. Det här inlägget förklarar varför samma lager kan lära sig inom alla områden, vad som förs vidare från en sorts arbete till en annan och hur varje teams erfarenhet förblir dess egen.

Vad forskning har gemensamt över områdesgränserna

Ämnena skiljer sig från en grupp till nästa. Arbetets form förändras mycket mindre. Ett team bestämmer vad som ska provas, kör det, kontrollerar vad som kom tillbaka och bestämmer igen. På vägen bygger det upp fyra typer av kunskap, och alla områden har dem:

  • Metoder: procedurer som bekräftats fungera, till exempel en ordning av steg, ett val av inställningar eller en uppsättning kontroller.
  • Villkor: det intervall som ett resultat bekräftades inom, utanför vilket ingen bör förlita sig på det.
  • Utfall: vad ett test, en mätning eller en expert bekräftade, eller korrigerade med ett skäl.
  • Beslut: vad teamet valde, och de belägg som valet vilade på.

Det är dessa som MS Duplex lär sig av. Ett bekräftat resultat blir erfarenhet, sparad med sina belägg och sina villkor. En procedur som fungerar blir en metod som dina agenter återanvänder. Ett beslut behåller beläggen bakom sig, så att en annan forskare kan återskapa det utifrån historiken. Inget av detta beror på arbetets ämne. Det beror på vad ditt team bekräftar.

Expertisen stannar där den redan finns: hos dina forskare och ingenjörer, dina verktyg och de modeller de väljer. En grupp med egna simulatorer, egen analyskod och egna instrument fortsätter att nå dem via sina egna anslutningar. MS Duplex lär sig av hur arbetet utföll och tar med det till nästa körning, så att lagret blir bättre på varje teams arbete genom att lära sig av det teamets resultat.

En grafitbricka med ett ordnat rutnät av runda provhållare i silver, där fyra har koboltblå lock och är förbundna av en tunn koboltblå linje.En grafitbricka med ett ordnat rutnät av runda provhållare i silver, där fyra har koboltblå lock och är förbundna av en tunn koboltblå linje.
En grafitbricka med ett rutnät av runda provhållare i silver, där fyra har koboltblå lock och är förbundna av en tunn linje: vad brickan än rymmer är det de resultat som ett team bekräftar som är värda att länka samman och behålla.

Samma slinga, oavsett ämne

MS Duplex gör agenter bättre på samma sätt inom alla områden. Ditt team fortsätter att göra arbetet, och det som teamet bekräftar lärs in en gång och används från och med då. Säg att tre grupper i en organisation använder agenter för olika uppgifter: en rekommenderar inställningar för nästa körning, en rangordnar kandidater för testning och en granskar analyser innan de rapporteras. Var och en går igenom samma steg.

  1. Agenten föreslårDen rekommenderar en inställning, rangordnar en lista med kandidater eller flaggar ett steg i en analys, och arbetar via gruppens egna verktyg som den gör i dag.
  2. Ett resultat eller en expert bekräftarEn körning kommer tillbaka, ett test godkänns eller en expert godkänner slutsatsen. Där agenten hade fel korrigerar experten den och säger varför.
  3. Lärdomen behållsMS Duplex gör det bekräftade utfallet till erfarenhet: en metod, en korrigering eller ett villkor, var och en med beläggen bakom sig.
  4. Nästa fall utgår från denNästa fall som matchar, i vilken session som helst, med vilken agent som helst som gruppen tillåter och med vilken modell som helst, utgår från den erfarenheten.
  5. Skillnader flaggasDär det nya fallet skiljer sig från de förhållanden som lärdomen bekräftades under säger MS Duplex det, och metoden anpassas och föreslås för kontroll.

För gruppen som rekommenderar inställningar kan lärdomen vara att en viss inställning misslyckas över en känd gräns. För gruppen som rangordnar kandidater kan det vara att en poängsättningsmetod bara håller inom ett visst intervall. För granskarna kan det vara en kontroll som fångar ett vanligt fel tidigt. Innehållet är olika varje gång. Det MS Duplex gör med det är detsamma, och detsamma gäller det som teamet får: färre upprepade misstag, färre bortkastade körningar och en historik över varje förändring i agentens beteende med skälet till den.

Förhållandena är det som låter en lärdom färdas vidare

Att minnas ett resultat är den enkla delen. Forskning kräver något svårare: att veta var resultatet gäller. En inställning som fungerade i ett intervall kan slösa bort en körning i ett annat, och en metod som bekräftats på en typ av indata kan vilseleda på nästa. Varje område har sin egen variant av det här problemet, och därför sparar MS Duplex varje resultat med de förhållanden det bekräftades under.

Det ger en lärdom tre möjliga vägar i ett nytt fall. Där förhållandena stämmer tillämpas den direkt. Där fallet är närliggande men något skiljer sig anpassas metoden och föreslås för kontroll innan någon förlitar sig på den. Där beläggen är tunna eller fallet inte liknar något som setts tidigare går beslutet till din modell eller till en forskare, med skälet.

Samma omsorg gäller när ett faktum förändras. En ny mätning ersätter den gamla, det senaste bekräftade värdet gäller från och med nästa begäran, och historiken över vad som ändrats sparas. Inom alla områden kostar ett inaktuellt värde en körning som läggs på fel antagande, och teamet ska kunna se när och varför ett värde ändrades.

Varje teams erfarenhet förblir dess egen

Ett enda lager för alla områden håller ändå varje lärdom hos de personer den tillhör. Allt som MS Duplex lär sig ligger i ett lager:

  • Personligt: en forskares eller ingenjörs egna arbetsvanor och preferenser formar den egna agenten, och ingen annans.
  • Team: det som ett team bekräftar delas med det teamet, så att dess agenter bygger vidare på teamets egna resultat.
  • Organisation: det som organisationen antar som standard gäller i varje team och för varje agent.

Dina regler avgör vad som flyttas mellan lagren. Gruppen som rangordnar kandidater behåller sina lärdomar om poängsättning i sitt eget teamlager, och gruppen som granskar analyser behåller sina kontroller i sitt. Människor och agenter når bara den erfarenhet som deras behörighet tillåter, och inget av det delas med något annat företag.

Viss kunskap är värd att dela mellan grupper, och den delningen sker genom beslut. Säg att två grupper inom olika discipliner båda kör en kostsam typ av simulering, och att den ena bekräftar en kontroll som fångar en felaktig konfiguration innan den startar. Gruppens ledare kan dela metoden med den andra gruppen, eller så kan organisationen anta den som standard. Metoden behåller sin källa när den flyttas och verifieras på nytt där den används, eftersom en kontroll som höll i en grupps arbete måste bevisa sig igen i nästa.

Tre brickor inuti varandra, en stor grafitbricka som rymmer en silverbricka som rymmer en liten koboltblå bricka, var och en med sina egna fack.Tre brickor inuti varandra, en stor grafitbricka som rymmer en silverbricka som rymmer en liten koboltblå bricka, var och en med sina egna fack.
Tre brickor inuti varandra, en stor grafitbricka som rymmer en silverbricka som rymmer en liten koboltblå bricka, var och en med sina egna fack: personlig erfarenhet, teamets erfarenhet och organisationens erfarenhet, var och en på sin egen plats inom ett och samma lager.

Ett lager för hela organisationen

För en forskningschef förändrar ett lager som fungerar inom alla områden kalkylen för att införa AI. Varje grupp behöver inte längre sin egen inlärningslösning, sitt eget sätt att registrera godkännanden och sin egen historik över vad AI:n har fått lära sig. Organisationens AI-arbete samlas i ett enda arkiv som den äger, och det för med sig några praktiska saker:

  • Regler och godkännanden samlade på ett ställe, med varje godkännande registrerat och vem som godkände vad.
  • En enda historik över vad som lärts in, använts och godkänts, redo att granska och exportera.
  • Metoder som flyttas mellan grupper enligt dina regler, var och en med det resultat som bevisade den.
  • Frihet för varje grupp att använda den AI den föredrar: Claude, Codex, Cursor, en annan agent som talar MCP eller egna agenter via API och Python SDK.
  • Erfarenhet som stannar hos organisationen när en modell, en agent eller en leverantör byts.

Det förändrar också vad som händer när människor går vidare. När en forskare går vidare stannar de metoder som forskaren bekräftade kvar hos teamet, och en ny medlems agent börjar med teamets bästa metoder till hands. Kunnande som det tog en grupp månader av försök och misstag att bygga upp stannar hos organisationen som betalade för det.

Vanliga frågor

Måste MS Duplex byggas för vårt område innan vi kan använda den?

MS Duplex lär sig av de utfall och expertkorrigeringar som ditt team väljer att fånga, inom alla områden där du kör experiment, simuleringar, analyser eller designgranskningar med AI. Ämnesexpertisen stannar hos dina forskare och ingenjörer, dina verktyg och dina modeller, och MS Duplex blir bättre på ditt arbete genom att lära sig av dina resultat.

Kan grupper inom olika discipliner dela på en MS Duplex?

Ja. Varje forskare, varje team och organisationen har sitt eget erfarenhetslager. Ett teams lärdomar stannar hos det teamet, och dina regler avgör vad som delas med ett annat team eller antas som organisationsstandard, med källan bevarad.

Hur vet vi att det fungerar för vår typ av forskning?

Med en pilot på ditt eget arbete. Välj återkommande arbetsflöden där besluten upprepas, kom överens med dina experter om måttet innan något körs, kör din nuvarande uppsättning och MS Duplex sida vid sida, och låt dina experter bedöma resultaten blint.

Byggt av MatterSpace

MatterSpace bygger MS Duplex för forskare, vetenskapare och ingenjörer inom alla fält, så att den AI de redan använder lär sig av varje resultat de bekräftar.

Läs vidare

Låt nästa körning dra nytta av den förra.

Kom till oss med den forskning som din AI borde bli bättre på. Vi planerar en pilot på dina egna arbetsflöden, med dina experter som domare.