معرفی ابزار AutoSynthData برای تولید داده‌های آموزشی ایجنت‌های سازمانی

سازمان‌ها برای استفاده از ایجنت‌های هوش مصنوعی در محیط‌های کاری خود نیازمند ابزارهایی هستند که با سیستم‌ها و قوانین آن‌ها سازگار باشند. مدل‌های هوش مصنوعی ممکن است در برخی جریان‌های کاری ضعیف عمل کنند و چالش اصلی، تبدیل این نقاط ضعف به داده‌های آموزشی باکیفیت است که هم واقعی باشند و هم قابل اجرا.

سیستم AutoSynthData برای حل همین مشکل طراحی شده است. این ابزار با ارزیابی مدل هدف در محیط‌های واقعی، الگوهای شکست آن را شناسایی کرده و با کمک یک مدل معلم قوی‌تر، وظایف آموزشی جدیدی را تولید و اعتبارسنجی می‌کند. فرایند تولید داده در این سیستم شامل دو فاز هدف و چندبرابرسازی است که در فاز نخست نمونه‌های اصلی و در فاز دوم گونه‌های جدید و متنوع ایجاد می‌شوند.

این سیستم پیش از ورود داده‌ها به مجموعه آموزشی، از بررسی‌های کیفی دقیقی شامل اعتبارسنجی مثبت و منفی و فرایند اصلاح استفاده می‌کند تا از درستی پاسخ‌ها و کارکرد صحیح وریفایر اطمینان حاصل شود. نتایج آزمایش‌ها روی محیط‌های EnterpriseOps Gym نشان می‌دهد که استفاده از داده‌های سنتزی تولید شده توسط این ابزار توانسته است عملکرد مدل‌های هدف را به طور قابل توجهی بهبود بخشد.