ServiceNow ha presentado AutoSynthData, un sistema que crea nuevos ejercicios de entrenamiento a partir de las tareas que un agente de inteligencia artificial todavía no sabe resolver. La propuesta busca que el aprendizaje se concentre en errores concretos, en lugar de depender solo de ejemplos preparados de antemano.
El proceso utiliza un modelo más potente para identificar ejercicios que puede completar y que el agente pequeño falla. Esas tareas pasan a formar parte de los datos de entrenamiento. La idea es aprovechar la diferencia de capacidad entre ambos modelos para producir ejemplos útiles.
En una prueba de gestión de servicios informáticos, la empresa generó 1.994 ejemplos en 66 horas. Según sus resultados, la proporción de tareas resueltas al primer intento pasó del 18,77 % al 27,18 %. El salto se refiere a ese experimento y a sus condiciones.
El trabajo se apoya en EnterpriseOps-Gym, un entorno de evaluación presentado por los mismos autores. Sus resultados permiten examinar el método, aunque la relación entre el entrenamiento y la evaluación debe tenerse presente al interpretar cuánto mejora el agente.
Por ahora, la evidencia disponible procede de los responsables del proyecto. No demuestra que el mismo rendimiento vaya a repetirse en cualquier empresa o herramienta. Una reproducción independiente y pruebas con tareas distintas ayudarían a comprobar si la mejora se mantiene fuera de ese entorno.