Οι επιχειρήσεις απαιτούν πλέον πράκτορες τεχνητής νοημοσύνης που να λειτουργούν άψογα στα δικά τους, εξειδικευμένα περιβάλλοντα. Παρά τη γενική τους ικανότητα, πολλά μοντέλα δυσκολεύονται με συγκεκριμένες ροές εργασίας ή περιορισμούς που επιβάλλονται από τα εσωτερικά συστήματα μιας εταιρείας. Η ServiceNow CoreAI ανέπτυξε το AutoSynthData για να γεφυρώσει αυτό το χάσμα, μετατρέποντας τις αδυναμίες των μοντέλων σε στοχευμένα δεδομένα εκπαίδευσης.
Η αρχιτεκτονική της συνθετικής εκπαίδευσης
Το AutoSynthData λειτουργεί εντοπίζοντας τα κενά ικανοτήτων ενός μοντέλου-στόχου μέσω της σύγκρισής του με έναν ισχυρότερο «δάσκαλο» (teacher model). Η διαδικασία περιλαμβάνει τη δημιουργία «καρτών προδιαγραφών ικανοτήτων», οι οποίες καθοδηγούν τη γέννηση νέων εργασιών. Αυτές οι εργασίες πρέπει να πληρούν τρία βασικά κριτήρια: εφικτότητα (να μπορούν να ολοκληρωθούν στο περιβάλλον), ρεαλισμό (να μοιάζουν με πραγματικά αιτήματα χρηστών) και δυσκολία (να προκαλούν το μοντέλο εκεί που υστερεί).
Διασφάλιση ποιότητας σε δύο επίπεδα
Η παραγωγή συνθετικών δεδομένων δεν αρκεί· απαιτείται αυστηρός έλεγχος. Το AutoSynthData εφαρμόζει επαλήθευση σε επίπεδο δείγματος και παρτίδας:
- Θετική πύλη: Επιβεβαιώνει ότι η προτεινόμενη λύση όντως επιλύει την εργασία στο περιβάλλον.
- Αρνητική πύλη: Ελέγχει αν ο μηχανισμός επαλήθευσης απορρίπτει λανθασμένες εκβάσεις, αποτρέποντας την επιβράβευση λαθών.
- Μετα-ανασκόπηση παρτίδας: Εξασφαλίζει ότι τα δεδομένα καλύπτουν ένα ευρύ φάσμα περιπτώσεων και δεν επαναλαμβάνονται.
Αποτελέσματα και επιδόσεις
Σε δοκιμές που πραγματοποιήθηκαν στο περιβάλλον EnterpriseOps Gym, η χρήση του AutoSynthData οδήγησε σε θεαματικές βελτιώσεις. Στον τομέα Hybrid, το μοντέλο Gemma που εκπαιδεύτηκε με αυτή τη μέθοδο σημείωσε αύξηση 35% στην επιτυχία (Pass@1). Αντίστοιχα, στον τομέα ITSM, το ποσοστό επιτυχίας ανέβηκε από το 18,77% στο 27,18%, αποδεικνύοντας την αποτελεσματικότητα της μεθόδου σε διαφορετικά επιχειρηματικά πεδία.
