AutoSynthData di ServiceNow CoreAI genera dati di addestramento dai fallimenti dei modelli

Un ticket resta bloccato perché l’agente salta un passaggio obbligatorio. Il sistema confronta quel fallimento con l’esecuzione corretta di un insegnante più forte e trasforma la lacuna in nuovi compiti di training mirati alla capacità mancante¹.

La procedura è operativa. Osserva dove il modello target sbaglia e dove l’insegnante riesce. Dalla differenza ricava la prossima abilità da imparare, genera i compiti necessari e ne verifica l’esito. Il ciclo chiuso garantisce che ogni esempio nasca da un comportamento misurato e da un controllo di successo affidabile¹.

Il contesto guida tutto. Strumenti, regole e stati dei dati cambiano da azienda a azienda. Un sistema competente in generale può inciampare su un vincolo locale. Qui l’obiettivo è colpire proprio quelle debolezze, nel perimetro in cui l’agente opera davvero¹.

Tre vincoli governano i compiti generati: devono essere eseguibili nell’ambiente reale dell’agente; devono sembrare richieste plausibili per quell’ambiente; devono includere un controllo affidabile dell’esito. Così il training resta allineato alla realtà e ogni risultato si verifica senza ambiguità¹.

Esempio operativo. Se il flusso richiede un’approvazione prima della chiusura, e l’agente la salta, i compiti sintetizzati esercitano proprio quel passaggio obbligatorio. Le varianti cambiano gli attori, i tempi, i campi del modulo. La capacità al centro resta la stessa: non chiudere senza approvazione. La verifica controlla la presenza e la correttezza dell’approvazione, così il segnale di apprendimento resta pulito.

Il curriculum si adatta. Quando una capacità migliora, l’attenzione si sposta su un’altra carenza emersa dalle osservazioni. L’ordine di apprendimento non segue una lista precompilata, ma lo stato corrente del modello e la distanza dai risultati dell’insegnante¹.

Un errore singolo segnala un problema, ma non basta per addestrare. Serve una famiglia di compiti che eserciti la stessa abilità in condizioni variate. Il sistema costruisce queste varianti rispettando ambiente, plausibilità e verificabilità, così ogni batch porta un segnale coerente¹.

Anche la definizione dei compiti resta ancorata al lavoro reale: la scelta della capacità da esercitare nasce da evidenze nel contesto d’uso; i compiti mirano a quella capacità, in forme diverse ma sempre eseguibili e con esito misurabile. Non punta a coprire tutto in astratto. Punta a rimuovere ciò che limita le prestazioni nell’ambiente specifico¹.

La chiusura del ciclo porta un effetto pratico: la priorità non è accumulare esempi, ma costruire controlli d’esito robusti per ogni capacità che conta. Con questi controlli al centro, ogni nuovo dato di training contribuisce a un miglioramento misurabile, non a rumore¹.