قدمت ServiceNow CoreAI أداة AutoSynthData، وهي أداة تصنع بيانات تدريب اصطناعية لتحسين عملاء الذكاء الاصطناعي في بيئات المؤسسات. وفقًا للناشر، تبدأ الأداة من إخفاقات نموذج مستهدف ونجاحات نموذج أكثر قوة، يُسمى « النموذج المعلم »، لتحديد ما يجب أن يتعلمه النموذج بعد ذلك. أعطت تجارب أجريت على بيئة الاختبار EnterpriseOps Gym (Malay et al., 2026) نتائج في مجالين.
يعمل عميل الذكاء الاصطناعي وفقًا لأدوات المؤسسة التي يستخدمها وقواعدها وبياناتها. قد يكون النموذج قادرًا على نطاق واسع ويبقى في صعوبة في بيئة معينة، على سبيل المثال في تسلسل خطوات مُدار بشكل سيء، أو مزيج أدوات مُستخدم بشكل خاطئ، أو قيد غير مُحترم. يكمن التحدي في تحويل هذه النقاط الضعيفة إلى بيانات تدريب، لأن الفشل المنعزل لا يكفي: هناك حاجة إلى العديد من المهام الجديدة التي تستدعي نفس القدرة في مواقف مختلفة.
يجب أن تكون المهمة قابلة للتحقيق، واقعية، وصعبة
في الطريقة التي وصفتها ServiceNow، تتكون المهمة من مواصفات النظام، وتعليمات المستخدم، ومدقق، مكلف بالإشارة إلى ما إذا كان العميل قد نجح. يجب أن تكون المهمة أولاً قابلة للتحقيق: يجب أن توجد على الأقل سلسلة واحدة من الإجراءات تستجيب للطلب في البيئة، دون انتهاك القواعد. ثم يجب أن تكون واقعية، أي تشبه طلبًا قد يصوغه مستخدم. أخيرًا، يجب أن تكون صعبة: المهمة التي تم حلها بالفعل بشكل موثوق توفر معلومات قليلة للتدريب.
يجب على المدقق أيضًا أن يستوفي شروطًا. يجب أن يكون متسقًا مع التعليمات وحالة البيئة، ويرفض المسارات التي تفشل، ويقبل الحلول الصالحة بدلاً من مسار المرجع الوحيد. قد يكافئ المدقق المتساهل جدًا سلوكيات سيئة، وقد يعاقب المدقق الصارم جدًا ردودًا جيدة.
قبل قبولها، تمر كل مهمة بسلسلة من الضوابط. يتحقق اختبار إيجابي من أن حل المرجع ينجح بالفعل في البيئة. يغير اختبار سلبي جزءًا من النتيجة المتوقعة للتأكد من أن الحالات غير الصحيحة تفشل. يتم فحص المرشحين المرفوضين بواسطة وحدة نقدية، ثم إصلاحهم ضمن حد محدد من المحاولات. على مستوى الدفعة، تكتشف مراجعة فوقية عائلات المهام الممثلة بشكل مفرط والقدرات الغائبة.
نتائج في مجالين
تركز التجارب على المجالين Hybrid وITSM في EnterpriseOps Gym. في مجال Hybrid، النموذج المستهدف هو Gemma-4-26B-A4B-it والمعلم هو Qwen3.8-27B. أنتجت AutoSynthData 2000 عينة تدريب في حوالي 18 ساعة، ثم تم ضبط النموذج على هذه البيانات، وهي عملية تسمى « التدقيق الدقيق ». نقطة التحقق الأفضل هي تلك الخاصة بالحقبة 5. وفقًا لـ ServiceNow، يتقدم متوسط النقاط Pass@1 بمقدار 7.2 نقطة مئوية، أي تحسن نسبي بنسبة 35٪، وتنتقل نسبة نجاح المدقق من 63.01٪ إلى 68.55٪. تشير الشركة إلى أن النموذج يملأ بذلك 59٪ من الفجوة الأولية مع نموذج المرجع.
في مجال ITSM، النموذج المستهدف لا يزال Gemma-4-26B-A4B-it، والمعلم هو DeepSeek-V4.1-Flash. أنتج التوليد 1994 عينة في 66 ساعة. وفقًا للشركة، يُعزى هذا الوقت الأطول بشكل رئيسي إلى استخدام معلم أكبر حجمًا وإلى إصدار سابق من خط الأنابيب، تم تحسينه منذ ذلك الحين. تنتقل نتيجة Pass@1 بعد ذلك من 18.77٪ إلى 27.18٪.
تشير ServiceNow إلى أن مهام التدريب تم توليدها من مواصفات القدرات، دون الوصول إلى مهام التقييم الأصلية. تخطط الشركة أيضًا لاختبار منطق الصعوبة المُعاير هذا في التعلم المعزز، بما يتجاوز التدقيق الدقيق الخاضع للإشراف فقط.
