ServiceNow detalha AutoSynthData, gerador de dados sintéticos para agentes empresariais
A ServiceNow publicou um post sobre o AutoSynthData, sistema que gera dados sintéticos para treinar agentes em ambientes empresariais. O método usa falhas do modelo, valida cada tarefa e só aproveita exemplos aceitos.
A ServiceNow CoreAI publicou um post no Hugging Face sobre o AutoSynthData, um sistema para gerar dados sintéticos de treinamento para agentes em ambientes empresariais. A proposta parte de uma limitação concreta: um modelo pode ser bom no geral e ainda falhar em um fluxo específico, em uma combinação de ferramentas ou ao desrespeitar uma regra do ambiente.
Segundo a empresa, o AutoSynthData usa falhas do modelo-alvo e acertos de um “professor” mais forte para decidir o que ensinar a seguir. A partir disso, gera novas tarefas executáveis, com especificação do sistema, pedido do usuário e verificador. As tarefas precisam ser viáveis, parecer solicitações reais e expor fraquezas que o modelo ainda não resolve com consistência.
A validação também faz parte do método. O texto descreve checagens positivas e negativas, reparo de amostras com falha e revisão em lote para medir cobertura e diversidade. No experimento citado, a equipe usou o EnterpriseOps Gym, com o modelo Gemma-4-26B-A4B-it como alvo e Qwen3.8-27B como professor. O AutoSynthData gerou 2.000 amostras em cerca de 18 horas. O melhor checkpoint foi o da época 5.
O que muda para você
Isso serve para quem treina agentes empresariais e precisa de dados que reflitam falhas reais do ambiente. O texto mostra um caminho para gerar, validar e expandir tarefas sintéticas, mas dentro de uma estrutura bem definida: ambiente conhecido, professor mais forte e verificação executável. Para quem não trabalha com esse tipo de modelo, a mudança é indireta.
Minha leitura
O valor aqui está menos no gerador e mais no freio. Se o dado sintético não passa por verificação forte, ele vira ruído com cara de treinamento. A ServiceNow está dizendo que a parte difícil não é inventar tarefa; é garantir que ela seja possível, realista e útil para ensinar algo novo. Esse é o critério que separa pipeline sério de máquina de produzir exemplos bonitos e errados.
Thiago FelizolaConsultor de IA, curador do Diário da IA
