Hoppa till innehållet
Advancing Bits to Master Atoms

Verktygsinlärning.
Dina agenter lär sig vilket verktyg som passar vilket problem.

MS Duplex lär sig av hur varje verktyg presterade på varje typ av problem. Nästa val av verktyg, inställning eller metod utgår från den erfarenheten, och dina verktyg förblir som de är.

Lära och förbättra · en av de fjorton förmågorna i MS Duplex

Ett ställ i grafit med smala precisionsinstrument i satinerat silver, där ett instrument med koboltblått handtag är utdraget framför raden.Ett ställ i grafit med smala precisionsinstrument i satinerat silver, där ett instrument med koboltblått handtag är utdraget framför raden.

Ditt team får

  • Bättre verktygsval för varje körning
  • Dina befintliga verktyg, använda mer effektivt
  • En samlad bild av vad varje verktyg är bra på

Vad verktygsinlärning betyder för ditt team.

Verktygsinlärning innebär att dina agenter lär sig av verktygen de använder. Varje gång en agent kör en simulator, analyskod, en databasfråga eller ett instrument visar utfallet hur väl det verktyget, med de inställningarna, fungerade för den typen av problem. MS Duplex sparar den erfarenheten och tar med den till nästa val.

Dina agenter fortsätter att nå dina verktyg via sina egna anslutningar. MS Duplex finns bredvid dem och lär sig av det som hände: vilket verktyg som gav ett bekräftat resultat, vilket som inte räckte till och under vilka villkor. Dina verktyg behöver inte ändras för det.

Med tiden bygger detta upp en samlad bild av vad varje verktyg är bra på, hämtad från ditt teams egna utfall. En ny forskare, en ny agent eller en ny modell börjar med den bilden i stället för att räkna ut den på nytt.

Därför behöver forskning AI som lär sig sina verktyg.

Forskningsteam bygger på verktyg. Att välja rätt verktyg, med rätt inställningar, är ofta det som avgör vad ett resultat kostar.

De flesta team har mer än ett sätt att besvara samma fråga: en snabbare metod och en grundligare, två simulatorer med olika styrkor, en analys som fungerar bra på en sorts data och dåligt på en annan. Vilken som passar ett visst problem är kunnande som erfarna forskare bär med sig, och som en agent som startar en ny session inte har.

Utan verktygsinlärning väljer agenter verktyg utifrån allmän kunskap och de instruktioner de får. De tar till ett verktyg som redan har brustit på den här typen av problem, använder inställningar som någon redan har funnit otillräckliga och lägger beräknings- och instrumenttid på körningar som teamet hade kunnat förutse.

  • Verktyg har styrkor

    Varje verktyg passar vissa problem bättre än andra, och dina egna utfall visar vilka.

  • Inställningar spelar roll

    Samma verktyg med olika inställningar kan ge ett användbart resultat eller en bortkastad körning.

  • Körningar är dyra

    En körning med fel verktyg kostar beräknings- eller instrumenttid som ett bättre val hade sparat.

  • Kunnande går vidare

    Det som erfarna forskare vet om dina verktyg ska stanna kvar i teamet när de byter roll.

En konsol i grafit med fem vridreglage i satinerat silver, där ett reglage med koboltblå indikator är vridet till ett visst läge.En konsol i grafit med fem vridreglage i satinerat silver, där ett reglage med koboltblå indikator är vridet till ett visst läge.

Så fungerar verktygsinlärning i ditt teams vardag.

Dina agenter fortsätter att använda dina verktyg som de gör i dag. MS Duplex lär sig av hur vart och ett presterade och tar med det till nästa val.

  1. 1

    Din agent väljer ett verktyg

    Den kör en simulator, analyskod, en databasfråga eller ett instrument via sin egen anslutning, med de inställningar den har valt.

  2. 2

    Utfallet bekräftas

    Ett test, en mätning eller en expert bekräftar resultatet, eller korrigerar det och förklarar varför.

  3. 3

    Erfarenheten sparas

    MS Duplex registrerar hur verktyget och inställningarna presterade på den typen av problem, med beläggen och villkoren.

  4. 4

    Nästa val är bättre underbyggt

    Vid nästa liknande problem, i vilken session, agent eller modell som helst, börjar agenten från det som fungerade. Där villkoren skiljer sig säger MS Duplex till.

Ett exempel, inom alla områden där en agent kör analyser.

Ett teams agent väljer mellan två analysverktyg för en återkommande typ av problem. Under några veckor blir dess val bättre utan att någon skriver en guide.

  1. 1

    Ett långsamt standardval

    Till en början använder agenten det grundligare verktyget varje gång. En expert noterar att det snabbare verktyget ger samma bekräftade svar i enkla fall och dokumenterar varför.

  2. 2

    En inställning som misslyckas

    I ett svårare fall ger det snabbare verktyget med sin standardinställning ett resultat som inte håller. Experten korrigerar det, och MS Duplex sparar inställningen och de villkor som den misslyckades under.

  3. 3

    Ett bättre första val

    I nästa enkla fall väljer agenten det snabbare verktyget. I nästa svåra går den direkt till det grundliga verktyget och lämnar den misslyckade inställningen åt sidan.

  4. 4

    En gemensam bild

    En kollegas agent, på en annan modell, möter samma typ av problem. Den börjar från samma bild av vilket verktyg som passar vilket fall, med varje källa dokumenterad.

Verktygsinlärning gör de andra förmågorna skarpare.

Det som MS Duplex lär sig om dina verktyg matar varje val som resten av lagret gör.

  • Simulering före handling

    Före en kostsam körning vägs alternativen mot det som ditt team har lärt sig om varje verktyg, så att budgeten går dit den med störst sannolikhet för arbetet framåt.

  • Lära sig orsak och verkan

    Kopplingen mellan ett verktyg, dess inställningar, villkoren och utfallet sparas, så att en rekommendation visar vad den vilar på.

  • Återanvändbara metoder

    Ett verktyg och en inställning som har bekräftats för en typ av problem blir en del av en metod som dina agenter återanvänder och anpassar.

  • Beslut som känner sina gränser

    Där erfarenheten tydligt visar vilket verktyg som passar görs valet direkt; där den är tunn går det till din modell eller en forskare.

Det här får ditt team.

Agenter som blir bättre på att använda dina verktyg, med varje val kopplat till ditt teams egna utfall.

  • Bättre verktygsval

    Varje körning bidrar till det dina agenter vet om vilket verktyg som passar vilket problem.

  • Bättre inställningar

    Inställningar som fungerade provas först, och inställningar som inte räckte till slutar föreslås.

  • Dina befintliga verktyg

    Dina simulatorer, din analyskod, dina databaser och instrument förblir som de är och används mer effektivt.

  • En samlad bild av varje verktyg

    Vad varje verktyg är bra på, hämtat från dina egna utfall, på ett ställe som ditt team kan granska.

  • Färre bortkastade körningar

    Agenter slutar ta till ett verktyg som redan har brustit på den typen av problem.

  • Kunnande som stannar

    Det som ditt team lär sig om sina verktyg stannar i teamet, över personer, agenter och modeller.

Vanliga frågor.

Kör MS Duplex våra verktyg?

Dina agenter når dina simulatorer, din analyskod, dina databaser och instrument via sina egna anslutningar, som i dag. MS Duplex lär sig av hur varje verktyg presterade och tar med den erfarenheten till nästa val.

Vad lär den sig om ett verktyg?

Hur det presterade på varje typ av problem: vilket verktyg och vilka inställningar som gav ett bekräftat resultat, vilka som inte räckte till och under vilka villkor. Varje lärdom behåller sin källa, så att ditt team kan granska den.

Måste vi ändra våra verktyg?

Dina verktyg förblir som de är. MS Duplex lär sig bredvid dem av de utfall som ditt team väljer att fånga upp, så att de verktyg du redan har används mer effektivt.

Vad händer när vi lägger till ett nytt verktyg?

Dina agenter når det via sin egen anslutning, som vilket annat verktyg som helst. När det används och dess resultat bekräftas lär sig MS Duplex hur det presterar på varje typ av problem, vid sidan av det den redan vet om dina andra verktyg.

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.