AutoSynthData od ServiceNow zamienia błędy agentów w dane treningowe
ServiceNow opublikował 2 października firmowy potok agentów, który z własnych porażek modelu generuje nowe zadania treningowe. Celuje w luki w wyszukiwaniu i użyciu narzędzi, które blokują wdrożenia. AutoSynthData opisano na Hugging Face, a podpisało się pod nim czterech badaczy ServiceNow.

Potok nazywa się AutoSynthData. Bierze porażki modelu docelowego i sukcesy mocniejszego nauczyciela, żeby ustalić, czego model powinien nauczyć się w następnej kolejności. Potem generuje nowe zadania ćwiczące te umiejętności i je weryfikuje, czytamy w tekście inżynierskim z 2 października.
Ma to znaczenie, bo problem agentów w firmach jest w dużej mierze problemem wyszukiwania. Agent, który nie znajdzie właściwej polityki, rekordu aktywa albo notatki z pracy w odpowiednim momencie, zawala zadanie, a jedna porażka nie wystarczy do treningu.
Autorzy z ServiceNow, Esakkivel Esakkiraja, Shruthan Radhakrishna, Denis Akhiyarov i Sagar Davasam, opisują tę lukę wprost: model może być szeroko uzdolniony i nadal mieć kłopot z konkretnym środowiskiem, przepływem pracy, który słabo obsługuje, kombinacją narzędzi, których nadużywa, albo ograniczeniem, którego nie respektuje. Tekst stawia trzy warunki wygenerowanemu zadaniu: wykonalność, realizm i trudność, oraz trzy warunki weryfikatorowi, który ocenia wynik, zaczynając od spójności. Warstwa weryfikacji dźwiga całą konstrukcję: bez pewnej kontroli zadania syntetyczne niczego nie uczą. ServiceNow pokazuje metodę na EnterpriseOps Gym, benchmarku wydanym w tym roku razem z artykułem. To jedna z kilku prac badawczych, które w tym samym czasie atakują ten sam problem z różnych stron: jak osadzić systemy firmowe w kontekście, na którym naprawdę mogą działać.
Jakość wyszukiwania staje się mierzalną zmienną
30 września dwa artykuły w formie preprintów, złożone do arXiv, wzięły na cel warstwę reprezentacji pod firmowym wyszukiwaniem. Merieme Askour i Ayoub Merimi proponują teorię wystarczalności kontekstu w personalizacji generatywnej AI. Twierdzą, że gdy podanie kontekstu jest tanie, więcej nie znaczy lepiej.
Ich ramy wyróżniają cztery stany: niewystarczalność, wystarczalność, nasycenie i interferencję, oraz definiują granicę wystarczalności kontekstu, która pozwala zlokalizować minimalny istotny zbiór. W eksperymencie z pełnym planem czynnikowym, przeprowadzonym z generatywnym systemem rekomendacji u dużego sprzedawcy mebli domowych, istotny kontekst poprawiał trafność, a nieistotny ją obniżał i destabilizował wyszukiwanie.
Drugi artykuł, Terry'ego Dorseya i Kevina Hugginsa, wprowadza uproszczenie reprezentacji firmowej oraz neutralny wobec reprezentacji model o nazwie Enterprise Representation Complexity. Autorzy przekonują, że informacja w firmie narasta w struktury ukształtowane przez aplikacje, projekty i granice organizacyjne, a tę złożoność reprezentacji muszą utrzymywać i interpretować zarówno ludzie, jak i systemy AI. Ich główna teza dla praktyków wyszukiwania: spadek złożoności na poziomie zadania zmniejsza zakres reprezentacji, który system AI musi zidentyfikować, powiązać i zinterpretować, a badania nad text-to-SQL dają dowody, że mniejsza złożoność schematu i rozumowania może poprawić dokładność. Autorzy zaznaczają przy tym, że ERC nie jest uniwersalną miarą złożoności, wydajności ani kosztu.
Żaden z artykułów nie przynosi produktu. Oba wskazują jednak na tę samą diagnozę. Dorzucenie większej ilości kontekstu do systemu wyszukiwania to nie to samo, co danie mu kontekstu wystarczającego, a różnica wychodzi na produkcji pod postacią niestabilnych odpowiedzi.
Tożsamość to druga połowa problemu osadzenia
28 września Hacker News opublikował ramy zarządzania tożsamością i dostępem dla agentów AI. Wskazują one tryb awarii, który zespoły od wyszukiwania odkrywają zwykle późno. Platformy IAM pokazują zamierzony dostęp, a aplikacje i infrastruktura ujawniają, co agent faktycznie wykonał.
Pomiędzy jednym a drugim leży to, co artykuł nazywa ciemną materią tożsamości: agenci, poświadczenia, konta lokalne w aplikacjach i ścieżki uwierzytelniania, o których centralne dane o tożsamości nigdy nie donoszą. Tekst przywołuje listę OWASP Top 10 dla aplikacji opartych na dużych modelach językowych, gdzie nadmierna autonomia figuruje jako LLM06, i wymienia pięć częstych błędów, w tym brak właściciela, długo żyjące sekrety i nieograniczone delegowanie uprawnień.
Związek z wyszukiwaniem jest bezpośredni. Agent z szerokimi uprawnieniami może wyciągnąć dane, których nigdy nie miał widzieć, a statyczne przypisanie ról tego zachowania nie ograniczy. Ustalenia z konfiguracji opisują możliwość, telemetria opisuje to, co się stało.
Dostawcy chmury spychają instalację niżej w stos
Microsoft udostępnił ogólnie Azure Container Apps Express, poinformował InfoQ 1 października, równolegle z ogólną dostępnością Azure Container Apps Sandboxes, izolowanej warstwy obliczeniowej, na której Express działa. Express przyjmuje obraz kontenera, region i konfigurację, jakiej potrzebuje aplikacja, a potem sam zapewnia moc obliczeniową, ruch przychodzący i skalowanie. Działa na procesorach rozliczanych za zużycie z sekundową rozdzielczością i skaluje się do zera, gdy nic nie robi.
Microsoft opisuje Express jako rozwiązanie stawiające na pierwszym miejscu dewelopera i agenta. Dokumentacja firmy mówi, że całość stoi na Sandboxes, które uruchamiają się z wcześniej rozgrzanych pul w czasie poniżej sekundy, izolują każde obciążenie w osobnym, sprzętowo odseparowanym mikrovm i obsługują zawieszenie oraz wznowienie z przywróceniem w ułamku sekundy. Deweloperzy mogą korzystać z Sandboxes bezpośrednio, a Microsoft kieruje tę drogę do platform agentowych i usług bezpiecznego wykonywania kodu. Reakcje na Reddicie sugerowały, że ten element był w użyciu jeszcze przed ogłoszeniem. Jeden z komentujących, MuhBlockchain, twierdził, że ACA Sandboxes stoją pod kluczowymi usługami Azure, w tym Foundry Hosted Agents, czego materiały samego Microsoftu nie podają.
CoreWeave ruszył w tę samą stronę dzień wcześniej. 30 września na imprezie Fully Connected w San Francisco pokazał CoreWeave Forge, zintegrowaną platformę programową do tworzenia, uruchamiania i ulepszania modeli oraz agentów AI, podał Data Center Knowledge. Forge jest dostępny w edycjach Free, Pro i Enterprise i obejmuje CoreWeave Notebooks, Agent Lens do obserwacji agentów na produkcji oraz RL Rollouts.
Corey Sanders, starszy wiceprezes ds. zarządzania produktem w CoreWeave, powiedział na briefingu dla mediów, że firma przeszła od skupienia na byciu najlepszym dostawcą infrastruktury pod AI do dostarczania usług AI, które pozwalają klientom budować aplikacje na jej platformie. Analityk IDC Dave McCarthy powiedział Data Center Knowledge, że CoreWeave potrzebuje szerszego grona odbiorców w firmach i większego ekosystemu programowego, żeby zbudować trwały biznes.
Skąd płynie popyt
Liczba użytkowników generatywnej AI w Chinach przekroczyła 700 000 000 pod koniec czerwca, podał Chiński Ośrodek Informacji o Sieci Internetowej, o 16 proc. więcej niż 602 000 000 pod koniec 2025 roku, gdy penetracja wynosiła 42,8 proc. South China Morning Post, który opisał te dane 29 września, zauważył, że 76 proc. ankietowanych użytkowników deklarowało korzystanie z generatywnej AI po odpowiedzi, 48 proc. do obróbki obrazów lub wideo, a 38 proc. do przetwarzania tekstu.
To liczby konsumenckie, nie firmowe. Wyznaczają jednak poziom oczekiwań, z którym mierzy się teraz firmowe wyszukiwanie, i tłumaczą, dlaczego dostawcy z całego stosu ścigają się, żeby wyniki agentów wyglądały mniej jak zgadywanie.
Ograniczenia infrastruktury pod spodem są realne. Generatory grzebienia częstotliwości optycznej, które z jednego lasera wytwarzają wiele długości fali zamiast jednego lasera na kanał, są przedstawiane jako sposób na cięcie zużycia energii, kosztów i liczby punktów awarii, gdy centra danych AI przekraczają 16 długości fali na światłowód, podał Data Center Knowledge 24 września. Frank Smyth, założyciel i dyrektor techniczny Pilot Photonics, powiedział, że lasery grzebieniowe pozwalają potencjalnie upakować znacznie więcej długości fali znacznie ciaśniej, bez obawy o interferencję. Marcello Girardi, dyrektor generalny i współzałożyciel Solinide, ujął praktyczny limit bez ogródek: cztery długości fali to rozwiązany problem dla macierzy laserowych, trudność zaczyna się przy ośmiu, a przy 16 ogranicza cię liczba elementów. Steven Estrella z Quintessent dodał, że przy obecnym niedoborze laserów CW DFB na fosforku indu, ograniczenie liczby potrzebnych laserów jest ważniejsze niż kiedykolwiek.
Kupujący w firmach przemyślają też, gdzie działa wnioskowanie. Private Cloud Outlook 2026 firmy VMware, przywołany przez Data Center Knowledge 21 września, wskazuje, że 83 proc. firm zakończyło lub planuje przenieść obciążenia z chmury publicznej z powodu obaw o bezpieczeństwo, koszty, zgodność i wydajność. Nowoczesne centra kolokacyjne obsługują szafy o mocy 35 kW z chłodzeniem powietrzem oraz szafy od 70 do 150 kW z opcjonalnym chłodzeniem cieczą, a właśnie tam zwykle ląduje wnioskowanie na poufnych danych firmowych.
Nic z tego samo w sobie nie rozwiązuje problemu wyszukiwania. Kierunek z ostatniego tygodnia jest jednak spójny: branża traktuje kontekst, reprezentację i tożsamość jak zmienne inżynierskie, a nie jak prompty do dostrajania. To trudniejszy problem niż podłączenie magazynu wektorów i to on decyduje, czy agentowi można powierzyć pracę.
Źródła
14- 01AutoSynthData: Generating Training Data for Enterprise AgentsEN
- 02When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI PersonalizationEN
- 03Enterprise Representation Simplification (ERS): Reducing Representational Complexity for Enterprise AIEN
- 04IAM for AI agents: A Practical Enterprise FrameworkEN
- 05Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
- 06CoreWeave Targets Enterprises with Forge PlatformEN
- 07China's generative AI user base crosses 700 million, covering over half the populationEN
- 08The Role of Optical Frequency Comb Generators in AI Data CentersEN
- 09Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
- 10Redefining enterprise intelligence with autonomous AIEN
- 11ShamAN-Q: Shampoo Augmented NanoQuant for Sub-1-bit LLM WeightsEN
- 12ReLaG: A Scalable Framework Generalizing Random Splits to Data with Latent RelationsEN
- 13Conformal Adversarial Generative EnsembleEN
- 14This startup helps food carts switch loud, dirty generators for batteriesEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.