AutoSynthData представила наборы синтетических данных для обучения компьютерных агентов: от навигации по интерфейсам до многошаговых действий в приложениях. Компания делает ставку на генерацию повторяемых сценариев вместо ручной разметки каждого клика.
Что произошло
Платформа создаёт виртуальные рабочие окружения, запускает в них заданные задачи и сохраняет последовательности действий, состояния экрана и результаты. Такой подход позволяет быстро получать примеры для агентов, которым нужно не только ответить текстом, но и выполнить операцию в интерфейсе.
Почему это важно
Сбор реальных траекторий пользователя дорог, медленен и часто связан с персональными данными. Синтетическая среда даёт контролируемые ошибки, редкие ветки и неограниченное число повторений — именно это нужно для обучения планированию и восстановления после сбоя.
Ограничения
Синтетические сценарии полезны только тогда, когда достаточно похожи на настоящие рабочие процессы. Агент, обученный на идеальных макетах, может потеряться на нестандартном диалоге, изменившейся кнопке или задержке сети, поэтому финальная проверка в живых приложениях остаётся обязательной.
Вывод
Рынок агентных систем движется к комбинации трёх источников данных: синтетические траектории для масштаба, реальные обезличенные логи для правдоподобия и тестовые среды для безопасности. Одной генерацией экранов проблему надёжности не решить, но стоимость первых итераций она заметно снижает.