ServiceNow CoreAI stellt AutoSynthData für synthetische Trainingsdaten vor

ServiceNow CoreAI führt AutoSynthData ein

ServiceNow CoreAI hat laut Fachmedien ein Framework namens AutoSynthData vorgestellt, das synthetische Trainingsdaten für unternehmensinterne KI-Agenten erzeugt. Das Framework adressiert eine bekannte Einschränkung allgemeiner Sprachmodelle: Sie finden sich in spezifischen Unternehmensumgebungen mit eigenen Workflows, Tool-Integrationen und Richtlinien oft nicht zurecht. AutoSynthData schließt diese Lücke, indem es die Fähigkeitslücken des Zielmodells systematisch identifiziert und in gezielte Trainingsaufgaben umwandelt. Dazu nutzt es die Fehler des Zielmodells und die Erfolge eines stärkeren Lehrer-Modells. Die generierten Aufgaben sind so konzipiert, dass sie genau die Schwächen des Agenten adressieren und ihn mit realitätsnahen, aber herausfordernden Szenarien konfrontieren. Dadurch wird der Agent gezielt in den Bereichen trainiert, in denen er zuvor versagt hat, und seine Leistungsfähigkeit in der jeweiligen Unternehmensumgebung steigt. Der Ansatz automatisiert die Anpassung von KI-Agenten an individuelle Unternehmenskontexte, ohne sensible Daten preiszugeben.

Lehrer-Schüler-Modell erzeugt Trainingsaufgaben

Die Automatisierung erfolgt durch eine mehrstufige Pipeline. Zunächst wird der Zielagent evaluiert, um seine Schwächen zu identifizieren. Diese Schwächen werden in bereinigte Spezifikationskarten überführt, die sensible Entitäten und Roh-Trajektorien entfernen, sodass keine vertraulichen Informationen in die Trainingsdaten gelangen. Anhand dieser Karten generiert ein stärkeres Lehrer-Modell neue Aufgaben, die jeweils eine Systemspezifikation mit Randbedingungen, einen realistischen Nutzer-Prompt und einen Verifizierer zur Ergebnisprüfung umfassen. Die Generierung läuft in zwei Phasen ab: In einer Zielphase entstehen Kernsamples, in einer Multiplikationsphase werden durch Veränderung von Zuständen, Entitäten und Formulierungen neuartige Varianten erzeugt. Die Qualitätskontrolle umfasst eine Solver-Evaluierung sowie eine positive Verifikation, die korrekte Lösungen bestätigt, und eine negative Verifikation, die schwache Kriterien ablehnt. Fehlgeschlagene Samples durchlaufen eine Kritik-und-Reparatur-Schleife, in der sie überarbeitet und erneut geprüft werden. Dieser iterative Prozess sorgt für eine kontinuierliche Weiterentwicklung des Datensatzes: Nach jeder Evaluierung werden die Spezifikationskarten aktualisiert, um neue Fähigkeitslücken zu erfassen, und die Generierung erzeugt daraufhin neue Aufgaben, die den aktuellen Schwächen des Modells entsprechen. So entsteht ein Trainingsdatensatz, der sich mit dem Fortschritt des Zielmodells mitbewegt und stets machbare, realistische und ausreichend schwierige Aufgaben liefert.