ServiceNow CoreAI apresenta AutoSynthData para treinar agentes de IA
A ServiceNow CoreAI desenvolveu o AutoSynthData para converter falhas de agentes de IA corporativos em dados de treinamento.
Resumo rápido
- A ServiceNow CoreAI desenvolveu o AutoSynthData para gerar dados de treino a partir de falhas de agentes de IA.
- O sistema usa um modelo instrutor mais forte para identificar acertos e orientar a criação de novas tarefas.
- A construção do conjunto de dados ocorre em duas etapas: a geração do conjunto principal e sua expansão em variantes.
Entenda o contexto
O AutoSynthData é uma estrutura voltada para a criação de dados de treinamento sintéticos para agentes de IA corporativos. O método se concentra em transformar os erros observados em um modelo alvo durante tarefas de avaliação em novos exercícios práticos de treinamento.
A equipe da ServiceNow CoreAI desenvolveu o AutoSynthData, um sistema criado para transformar falhas e lacunas de capacidade de agentes de inteligência artificial em dados de treinamento para ambientes corporativos. O projeto foi detalhado nesta sexta-feira, 2 de outubro de 2026, em uma publicação no blog do Hugging Face.
A ferramenta busca resolver um problema frequente em empresas: a adaptação de modelos泛 capacitados aos seus ecossistemas específicos. Segundo a publicação da equipe, um modelo pode apresentar um bom desempenho geral, mas falhar em fluxos de trabalho específicos, utilizar ferramentas de maneira incorreta ou desrespeitar restrições do sistema. O AutoSynthData identifica essas deficiências para criar tarefas inéditas que exercitam as mesmas capacidades em cenários variados.
Identificação de falhas e estrutura das tarefas
O processo começa com a avaliação do modelo alvo no ambiente operacional por meio de tarefas de diagnóstico. O AutoSynthData analisa o desempenho comparando os erros desse modelo com os sucessos de um modelo instrutor mais forte, que serve como referência. Essas observações são consolidadas em cartões de especificação de capacidade purificados, que omitem os prompts e entidades originais para garantir que o gerador crie novas tarefas com diferentes estados e caminhos de solução.
Para que uma tarefa gerada seja útil no treinamento, ela precisa atender a três propriedades centrais descritas pelos desenvolvedores: viabilidade, garantindo que exista ao menos uma trajetória executável no ambiente; realismo, para que os pedidos se assemelhem a solicitações reais de usuários corporativos; e dificuldade, focando em problemas que o modelo alvo ainda não resolve de maneira consistente.
Mecanismos de verificação e fases de expansão
A avaliação do aprendizado do agente depende de verificadores, que checam se a trajetória resultante concluiu o objetivo. O verificador deve ser consistente com o prompt e as especificações do sistema, preciso para rejeitar soluções incorretas ou que violem restrições, e completo, aceitando respostas válidas em vez de exigir apenas uma trajetória de referência rígida.
A construção do conjunto de dados pelo AutoSynthData ocorre em duas etapas. Na chamada fase alvo, trabalhadores geram e validam em paralelo um grupo principal de amostras com base nas capacidades necessárias. Em seguida, na fase de multiplicação, o sistema expande esse grupo gerando variantes inéditas com novos prompts, configurações de entidades e estados de ambiente. A aplicação da metodologia foi ilustrada pela equipe no ambiente EnterpriseOps Gym (Malay et al., 2026), utilizando o conjunto de dados liberado do projeto.
Referências
- Fonte consultada: Hugging Face — Blog
Links para conferência: não indicam endosso das fontes ao conteúdo do portal.
Gostou? Compartilhe:
Comentários 0
Ninguém comentou ainda. Seja o primeiro!
