Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

AutoSynthData di ServiceNow trasforma gli errori degli agenti in dati di addestramento

Il 2 ottobre ServiceNow ha pubblicato una pipeline per agenti aziendali che genera nuovi compiti di addestramento dagli errori del modello stesso, puntando alle lacune nel retrieval e nell'uso degli strumenti che bloccano i deployment. AutoSynthData è descritta su Hugging Face da quattro ricercatori di ServiceNow.

IA e modelliNotiziaGiulia FerrariPubblicato: 2 ottobre 20267 min di letturaFonti 14
AutoSynthData di ServiceNow trasforma gli errori degli agenti in dati di addestramento

La pipeline si chiama AutoSynthData. Usa gli errori di un modello target e i successi di un teacher più forte per decidere cosa il modello deve imparare, poi genera e valida nuovi compiti che mettono alla prova quelle capacità, secondo il post tecnico pubblicato il 2 ottobre.

La questione conta perché il problema degli agenti aziendali è in gran parte un problema di retrieval. Un agente che non trova la policy, il record di un asset o la nota di lavoro giusta al momento giusto fallisce il compito, e un singolo errore non basta per addestrare.

Gli autori di ServiceNow, Esakkivel Esakkiraja, Shruthan Radhakrishna, Denis Akhiyarov e Sagar Davasam, descrivono la lacuna senza giri di parole: un modello può essere capace in generale e comunque in difficoltà con un ambiente specifico, con un flusso di lavoro che gestisce male, con una combinazione di strumenti che usa in modo sbagliato o con un vincolo che non rispetta. Il post fissa tre condizioni per un compito generato, fattibilità, realismo e difficoltà, e tre per il verificatore che valuta il risultato, a partire dalla coerenza. Lo strato di verifica è la parte portante: senza un controllo affidabile, i compiti sintetici non insegnano nulla. ServiceNow illustra il metodo su EnterpriseOps Gym, un benchmark pubblicato quest'anno insieme a un paper. È uno dei diversi lavori di ricerca arrivati nella stessa finestra che attaccano lo stesso problema da angolazioni diverse: come ancorare i sistemi aziendali a un contesto su cui possano davvero agire.

La qualità del retrieval diventa una variabile misurabile

Il 30 settembre due preprint inviati ad arXiv hanno preso di mira lo strato di rappresentazione sotto il retrieval aziendale. Merieme Askour e Ayoub Merimi propongono una teoria della sufficienza del contesto nella personalizzazione con IA generativa, sostenendo che, quando fornire contesto costa poco, di più non significa meglio.

Il loro framework individua quattro stati, insufficienza, sufficienza, saturazione e interferenza, e definisce una Context-Sufficiency Frontier per localizzare l'insieme minimo rilevante. In un esperimento fattoriale completo con un recommender generativo presso un grande rivenditore di arredamento per la casa, il contesto rilevante ha migliorato l'appropriatezza mentre quello irrilevante l'ha ridotta e ha reso instabile il retrieval.

Il secondo paper, di Terry Dorsey e Kevin Huggins, introduce Enterprise Representation Simplification e un modello neutrale rispetto alla rappresentazione chiamato Enterprise Representation Complexity. Gli autori sostengono che l'informazione aziendale accumula strutture plasmate da applicazioni, progetti e confini organizzativi, e che questa complessità rappresentazionale deve essere mantenuta e interpretata sia dalle persone sia dai sistemi di IA. La tesi centrale per chi si occupa di retrieval: riduzioni della complessità a livello di compito riducono l'estensione rappresentazionale che un sistema di IA deve identificare, mettere in relazione e interpretare, e la ricerca sul text-to-SQL offre prove che una minore complessità di schema e di ragionamento può migliorare l'accuratezza. Gli autori precisano che ERC non è una metrica universale di complessità, prestazioni o costo.

Nessuno dei due paper consegna un prodotto. Entrambi però indicano la stessa diagnosi. Buttare più contesto in un sistema di retrieval non equivale a dargli contesto sufficiente, e la differenza si vede in produzione sotto forma di risposte instabili.

L'identità è l'altra metà del problema di ancoraggio

Il 28 settembre Hacker News ha pubblicato un framework per la gestione di identità e accessi degli agenti di IA, e indica una modalità di guasto che i team di retrieval tendono a scoprire tardi. Le piattaforme IAM esprimono l'accesso previsto, mentre applicazioni e infrastruttura rivelano cosa l'agente ha effettivamente eseguito.

Tra le due cose sta quello che l'articolo chiama materia oscura dell'identità: gli agenti, le credenziali, gli account locali alle applicazioni e i percorsi di autenticazione che i dati di identità centrali non riportano mai. Il pezzo cita la Top 10 di OWASP per le applicazioni basate su modelli linguistici di grandi dimensioni, che colloca l'agentività eccessiva al sesto posto, LLM06, ed elenca cinque guasti comuni tra cui l'assenza di titolarità, i segreti di lunga durata e la delega illimitata.

Il nesso con il retrieval è diretto. Un agente a cui sono concessi permessi ampi può estrarre dati che non era stato autorizzato a vedere, e l'assegnazione statica dei ruoli non riesce a limitare quel comportamento. I risultati di configurazione descrivono una possibilità; la telemetria descrive ciò che è accaduto.

I cloud vendor spingono l'infrastruttura più in basso nello stack

Microsoft ha reso disponibile in generale Azure Container Apps Express, ha riferito InfoQ il 1 ottobre, insieme alla disponibilità generale di Azure Container Apps Sandboxes, lo strato di calcolo isolato su cui gira Express. Express prende un'immagine container, una regione e la configurazione di cui l'app ha bisogno, poi provvede da sé a calcolo, ingress e scalabilità. Funziona su CPU a consumo con fatturazione al secondo e scala a zero quando è inattivo.

Microsoft descrive Express come pensato prima per gli sviluppatori e per gli agenti, e la sua documentazione afferma che è costruito interamente su Sandboxes, che forniscono istanze da pool preriscaldati per un avvio in meno di un secondo, isolano ogni carico di lavoro in un proprio microVM su hardware separato e supportano sospensione e ripresa con ripristino in meno di un secondo. Gli sviluppatori possono usare Sandboxes direttamente, e Microsoft indica quella via per le piattaforme di agenti e per i servizi di esecuzione sicura del codice. Le reazioni su Reddit suggerivano che la primitiva fosse in uso prima dell'annuncio; un commentatore, MuhBlockchain, ha sostenuto che ACA Sandboxes sono alla base di servizi Azure centrali tra cui Foundry Hosted Agents, un dettaglio che il materiale di Microsoft non riporta.

CoreWeave si è mossa nella stessa direzione un giorno prima. Ha presentato CoreWeave Forge il 30 settembre al suo evento Fully Connected di San Francisco, una piattaforma software integrata per sviluppare, eseguire e migliorare modelli e agenti di IA, secondo Data Center Knowledge. Forge è disponibile nelle edizioni Free, Pro ed Enterprise e comprende CoreWeave Notebooks, Agent Lens per l'osservabilità degli agenti in produzione e RL Rollouts.

Corey Sanders, senior vice president of product management di CoreWeave, ha detto in un briefing con la stampa che l'azienda è passata da un'attenzione a essere il miglior fornitore di infrastruttura per l'IA alla fornitura di servizi di IA che permettano ai clienti di costruire applicazioni sulla sua piattaforma. L'analista IDC Dave McCarthy ha detto a Data Center Knowledge che CoreWeave ha bisogno di un pubblico aziendale più ampio e di un ecosistema software più grande per costruire un'attività sostenibile.

Da dove arriva la domanda

La base di utenti dell'IA generativa in Cina ha superato 700.000.000 alla fine di giugno, ha riferito il China Internet Network Information Centre, con un aumento del 16 per cento rispetto a 602.000.000 alla fine del 2025, quando la penetrazione era al 42,8 per cento. Il South China Morning Post, che ha seguito la pubblicazione il 29 settembre, ha rilevato che il 76 per cento degli utenti intervistati ha dichiarato di usare l'IA generativa per cercare risposte, il 48 per cento per elaborare immagini o video e il 38 per cento per l'elaborazione di testi.

Sono numeri di consumo, non aziendali. Ma fissano la soglia di aspettativa su cui ora vengono misurati i sistemi di retrieval aziendali, e spiegano perché i fornitori lungo tutto lo stack corrano per far sembrare i risultati degli agenti meno simili a congetture.

I vincoli infrastrutturali sotto sono reali. I generatori di pettini di frequenza ottica, che producono molte lunghezze d'onda da un singolo laser invece di un laser per canale, vengono proposti come modo per ridurre potenza, costi e punti di guasto man mano che i data center per l'IA superano le 16 lunghezze d'onda per fibra, ha riferito Data Center Knowledge il 24 settembre. Frank Smyth, fondatore e CTO di Pilot Photonics, ha detto che i laser a pettine potenzialmente consentono molte più lunghezze d'onda impacchettate molto più strette senza timore di interferenze. Marcello Girardi, CEO e co-fondatore di Solinide, ha indicato il limite pratico senza mezzi termini: quattro lunghezze d'onda sono un problema risolto per gli array di laser, la difficoltà inizia a otto, e a 16 il numero di componenti ti limita. Steven Estrella di Quintessent ha aggiunto che, con l'attuale carenza di offerta di laser CW DFB in fosfuro di indio, ridurre il numero di laser necessari è più importante che mai.

Gli acquirenti aziendali stanno anche ripensando dove gira l'inferenza. Private Cloud Outlook 2026 di VMware, citato da Data Center Knowledge il 21 settembre, indica che l'83 per cento delle imprese ha completato o sta pianificando di riportare i carichi di lavoro dal cloud pubblico, spinte da preoccupazioni su sicurezza, costi, conformità e prestazioni. Le strutture di colocation moderne supportano armadi da 35 kW con raffreddamento ad aria e armadi da 70 a 150 kW con raffreddamento a liquido opzionale, ed è lì che tende a finire l'inferenza su dati aziendali riservati.

Niente di tutto questo risolve da solo il problema del retrieval. Ma la direzione dell'ultima settimana è coerente: il settore tratta contesto, rappresentazione e identità come variabili ingegneristiche invece che come prompt da mettere a punto. È un problema più difficile che collegare un vector store, ed è quello che decide se a un agente si può affidare il lavoro.

Commenti 0

Fonti

14
  1. 01AutoSynthData: Generating Training Data for Enterprise AgentsEN
  2. 02When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI PersonalizationEN
  3. 03Enterprise Representation Simplification (ERS): Reducing Representational Complexity for Enterprise AIEN
  4. 04IAM for AI agents: A Practical Enterprise FrameworkEN
  5. 05Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
  6. 06CoreWeave Targets Enterprises with Forge PlatformEN
  7. 07China's generative AI user base crosses 700 million, covering over half the populationEN
  8. 08The Role of Optical Frequency Comb Generators in AI Data CentersEN
  9. 09Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
  10. 10Redefining enterprise intelligence with autonomous AIEN
  11. 11ShamAN-Q: Shampoo Augmented NanoQuant for Sub-1-bit LLM WeightsEN
  12. 12ReLaG: A Scalable Framework Generalizing Random Splits to Data with Latent RelationsEN
  13. 13Conformal Adversarial Generative EnsembleEN
  14. 14This startup helps food carts switch loud, dirty generators for batteriesEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Giulia Ferrari

Giulia Ferrari

IA, modelli e tecnologie

Giulia Ferrari scrive di tecnologia, IA e modelli e media e internet per FLASH24, partendo da dataset pubblici, preprint e registri di versioni dei modelli. Controlla ogni numero confrontando benchmark dichiarati e risultati riproducibili, e scarta le stime senza fonte. Segue le audizioni in calendario, parla con ricercatori e ingegneri, e mette a confronto release e changelog prima di pubblicare. Fuori dalla redazione smonta stampanti 3D, recupera vecchi computer e studia come i modelli imparano dai rifiuti del web. Non pubblica un dato se non può ricostruirne il percorso.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.