Hoppa till innehållet
Advancing Bits to Master Atoms

Lager för person, team och organisation.
Varje person, team och organisation lär sig på sin egen nivå.

MS Duplex ger varje forskare, varje team och hela organisationen ett eget erfarenhetslager. Dina regler avgör vad som flyttas från ett lager till nästa, och inget av det delas med något annat företag.

Minnas och styra · en av de fjorton förmågorna i MS Duplex

Tre staplade skivor av avtagande storlek på en och samma axel, en bred grafitskiva, en skiva i satinerat silver ovanpå den och en liten koboltblå skiva överst.Tre staplade skivor av avtagande storlek på en och samma axel, en bred grafitskiva, en skiva i satinerat silver ovanpå den och en liten koboltblå skiva överst.

Ditt team får

  • Lärande som respekterar vem som ska se vad
  • Teamets kunnande delat enligt dina regler
  • En gemensam standard i hela organisationen där du vill ha det

Vad lager för person, team och organisation innebär för ditt team.

Allt som MS Duplex lär sig hör till ett lager. En forskares eller ingenjörs egna arbetsvanor och preferenser ligger i ett personligt lager. Det som ett team bekräftar ligger i det teamets lager. Det som organisationen antar som standard ligger i organisationslagret och gäller överallt.

Varje lager används där det hör hemma. En forskares agent hämtar från forskarens personliga lager, teamets lager och organisationslagret tillsammans, så att den arbetar på det sätt forskaren arbetar, med det som teamet har bekräftat och inom de standarder som organisationen har satt.

Att flytta erfarenhet mellan lager är ett beslut som ditt team fattar. En metod som visar sig fungera i ett team kan delas med ett annat eller antas som organisationsstandard, enligt dina regler och med källan bevarad. Människor och agenter når bara den erfarenhet som deras behörighet tillåter.

Varför forskning behöver inlärning på mer än en nivå.

Forskningskunskap har ägare. En del av den är en persons sätt att arbeta, en del är ett teams surt förvärvade resultat och en del är den standard som alla bör följa.

När AI lär sig i en enda gemensam pool kan en enskild forskares vana till slut forma allas agenter, och ett teams tidiga fynd kan spridas längre än det borde. När den inte lär sig något mellan människor återupptäcker varje team det som teamet bredvid redan har bekräftat.

Lager låter en forskningsorganisation avgöra vad som delas. Personliga preferenser förblir personliga, teamresultat når de människor som arbetar med dem, och de metoder som organisationen litar på gäller där den vill att de ska gälla, var och en med en tydlig ägare och en tydlig källa.

  • Preferenser är personliga

    Hur varje forskare eller ingenjör vill arbeta ska forma den egna agenten, och bara den.

  • Team äger sina resultat

    Det som ett team bekräftar hör i första hand till det team som gjorde arbetet och förlitar sig på det.

  • Standarder ska gälla överallt

    En metod som organisationen antar ska gälla i varje team och för varje agent, med samma källa bakom sig.

  • Åtkomst följer behörighet

    Människor och agenter ska nå den erfarenhet som deras roll tillåter, och inte mer.

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.

Så fungerar lagren i ditt teams vardag.

Dina forskare arbetar som de gör i dag. MS Duplex håller varje lärdom i sitt lager och för samman rätt lager för varje agent.

  1. 1

    En lärdom dras

    En forskares korrigering, ett teams bekräftade resultat eller en godkänd slutsats blir erfarenhet, med sin källa och de förhållanden den gäller under.

  2. 2

    Den hamnar i rätt lager

    En personlig preferens stannar hos forskaren. Ett bekräftat teamresultat går till teamet. Dina regler avgör vad som är vad.

  3. 3

    Agenterna hämtar ur sina lager

    Varje agent arbetar utifrån sin forskares personliga lager, sitt teams lager och organisationslagret, inom den behörighet den har.

  4. 4

    Erfarenhet flyttas enligt dina regler

    När ett teams metod visar sig hålla kan ditt team dela den med ett annat team eller anta den som organisationsstandard, med källan bevarad.

Ett exempel, inom vilket område som helst där flera team använder agenter.

Två team använder agenter för att rangordna kandidater för testning. Under en månad når varje del av erfarenheten de personer den ska nå.

  1. 1

    En personlig preferens

    En forskare i det första teamet ber sin agent att visa sitt resonemang före rangordningen. Hennes agent behåller den preferensen, och ingen annans agent ändras.

  2. 2

    Ett teamresultat

    Det första teamet bekräftar att en poängsättningsmetod fallerar utanför ett känt intervall. Lärdomen går till teamlagret, och varje agent i det teamet kontrollerar intervallet från och med nästa förfrågan.

  3. 3

    En delad metod

    Det andra teamet stöter på samma slags fall. Det första teamets ledare delar metoden med dem, och deras agenter utgår från den, med källan synlig.

  4. 4

    En organisationsstandard

    Ledningen antar metoden som standard för att rangordna kandidater. Den flyttas till organisationslagret och varje teams agent tillämpar den, medan varje forskares personliga preferenser förblir som de var.

Lagren får de andra förmågorna att passa din organisation.

Det MS Duplex lär sig är bara så användbart som platsen där det tillämpas. Lagren avgör det, för varje annan förmåga.

  • Regler och godkännanden

    Dina regler avgör vad som flyttas mellan lager, och en ändring av delad erfarenhet kan vänta på en persons godkännande, som registreras.

  • Återanvändbara metoder

    En metod som ett team verifierar kan delas med andra team eller antas i hela organisationen, och verifieras på nytt där den används.

  • Ursprung, granskning och avinlärning

    Varje lärdom behåller sin källa när den flyttas mellan lager, så att vem som helst kan se var en delad standard kommer ifrån.

  • Forskningsminne mellan sessioner

    Varje session börjar från arbetets aktuella läge, hämtat från de lager som forskaren och teamet får använda.

Det här får ditt team.

Inlärning som respekterar vem som ska se vad, där delning avgörs av dina regler.

  • Personliga lager

    Varje forskares arbetsvanor och preferenser formar forskarens egen agent och förblir personliga.

  • Teamlager

    Det som ett team bekräftar delas med det teamet, så att teamets agenter bygger vidare på teamets egna resultat.

  • Ett organisationslager

    En standard i hela organisationen där du vill ha den, tillämpad av varje agent.

  • Delning enligt dina regler

    Dina regler avgör vad som flyttas mellan lager, och varje flytt behåller sin källa.

  • Åtkomst efter behörighet

    Personer och agenter når bara den erfarenhet som deras behörighet tillåter, med behörigheterna under din kontroll.

  • Bara dina

    Erfarenheten i varje lager tillhör din organisation, och ingenting av den delas med något annat företag.

Vanliga frågor.

Vem avgör vad som delas mellan lager?

Det gör din organisation. Dina regler avgör vad som förblir personligt, vad som delas med ett team och vad som antas som organisationsstandard, och varje flytt behåller sin källa.

Kan en forskares vanor ändra allas agenter?

En forskares arbetsvanor och preferenser stannar i forskarens personliga lager och formar forskarens egen agent. De når ett team eller organisationen bara när dina regler flyttar dit dem.

Delas något av vår erfarenhet med andra företag?

Nej. Varje lager tillhör din organisation, och ingenting av det delas med något annat företag. Var MS Duplex körs och hur dina data hanteras kommer du överens om med dina ansvariga för säkerhet och data.

Vad händer när ett teams metod blir en organisationsstandard?

Den flyttas till organisationslagret och gäller i varje team, med sin källa och de förhållanden den gäller under. Varje forskares personliga preferenser förblir som de var, och metoden verifieras på nytt där den används.

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.