AutoSynthData генерирует обучающие данные для корпоративных агентов на основе их слабых сторон.
Корпоративные агенты должны эффективно работать в специфических условиях компаний, но даже универсальные модели могут плохо справляться с определёнными рабочими процессами, инструментами или ограничениями.
Проблема заключается в преобразовании таких слабых сторон в обучающие данные — необходимо генерировать множество реалистичных и выполнимых задач, которые проверяют ту же способность в разных условиях.
AutoSynthData использует неудачи целевой модели и успешные решения более сильного «учителя» для определения следующего направления обучения, генерируя и проверяя новые задачи, соответствующие этим возможностям.
Каждая задача включает спецификацию системы, пользовательский запрос и верификатор, при этом генерируемые задачи должны быть выполнимы, реалистичны и вызывать трудности у текущей модели.
Процесс включает два этапа: сначала генерируются и проверяются базовые образцы, затем создаются новые варианты на их основе, каждый из которых проходит ту же проверку на выполнимость и корректность решения.
В эксперименте с EnterpriseOps Gym AutoSynthData повысил метрику Pass@1 на 7,2 процентных пункта в одном из сценариев.
Это краткое изложение. Полный текст статьи доступен на сайте источника:
Читать полностью на Hugging FaceЕщё по теме ai-трансформация
Google представила систему федеративного обучения с проверяемыми гарантиями приватности
Исследование компромисса между эффективностью и беглостью при настройке больших языковых моделей
GitHub Copilot app: создание пользовательских рабочих процессов с помощью canvases
Как это касается вашего бизнеса
Новая модель или сервис дают эффект, только если данные и процессы компании к ним готовы. Аудит ИИ-готовности покажет, где ИИ даст максимальную отдачу, а где внедрять его преждевременно.