AutoSynthData génère des tâches d’entraînement pour les agents d’entreprise

OOndine

ServiceNow CoreAI présente AutoSynthData, un système qui transforme les échecs d’un modèle cible et les réussites d’un modèle enseignant plus performant en nouvelles tâches d’entraînement destinées à améliorer les agents d’entreprise, selon Hugging Face. Le système s’appuie donc sur deux types de résultats complémentaires : les difficultés rencontrées par le modèle à entraîner et les tâches réussies par le modèle enseignant, pour générer des exercices adaptés. AutoSynthData fait ensuite vérifier les tâches produites, et adapte progressivement le programme d’entraînement aux difficultés qui persistent à mesure que le modèle s’améliore. Une tâche réunit une spécification du système, une demande de l’utilisateur et un vérificateur ; les exercices générés doivent être réalisables dans l’environnement, réalistes et assez difficiles pour entraîner l’agent. Ces conditions définissent à la fois ce que l’agent doit faire et la manière de vérifier le résultat, tout en écartant les tâches qui ne peuvent pas être accomplies dans l’environnement concerné. L’article de Hugging Face illustre le processus avec EnterpriseOps Gym, un jeu de données publié, sans que cet exemple fournisse de chiffre sur les performances obtenues. AutoSynthData met ainsi l’accent sur la génération et la validation de tâches nouvelles, puis sur leur adaptation aux difficultés persistantes du modèle, plutôt que sur un programme d’entraînement immuable.