تحوّل خاصية AutoSynthData من ServiceNow إخفاقات الوكلاء إلى فرص تدريبية قيّمة

باختصار: يحوّل AutoSynthData من ServiceNow CoreAI إخفاقات الوكلاء ونجاحات المدربين إلى مهام SFT اصطناعية مُدققة، وذلك عندما تحتاج المؤسسات إلى كفاءة بيئية، وليس مجرد نتائج معيارية عامة. يُعالج هذا النظام الثغرات في بطاقات مواصفات القدرات، ويُضاعف العمل القابل للتحقق، ثم يُدقّق الجودة قبل الضبط الدقيق. وقد أفاد المؤلف بأن نتائج EnterpriseOps Gym تتحسن إذا توافقت قوة المدربين وجودة المُدقّقين ودقة البيئة.

أهم النقاط المستفادة:

بطاقات القدرات: قم بتنظيف حالات الفشل في بطاقات بحيث لا ترى المولدات المعرفات الأصلية أبدًا.

إمكانية تدقيق المدقق: تفضيل عمليات التحقق من الحالة النهائية لـ SQL التي ترفض النتائج الخاطئة المتغيرة.

مستوى الصعوبة: درّب فقط المهام التي نادراً ما يحلها الهدف والتي عادةً ما ينجزها المعلم.

المراجعة البشرية: يجب إجراء مراجعة بشرية للسياسات ذات المخاطر العالية والإجراءات التي لا رجعة فيها قبل إعادة التدريب.

تحريك الحدود: بعد SFT، أعد التقييم وحوّل مرحلة الهدف نحو الفجوات المتبقية.

نادراً ما تفشل أنظمة الذكاء الاصطناعي المؤسسية بسبب نقص المعرفة العامة، بل بسبب خصوصية بيئة العمل: سياسات التذاكر، وخصائص المخططات، وعقود الأدوات، وقواعد البيانات المُهيأة، ومقالات المعرفة، وسير العمل بين الأنظمة الذي لا يشبه العروض التوضيحية في الكتب الدراسية. حتى النموذج الذي يحقق نتائج جيدة في المعايير المفتوحة قد يتعثر عندما تتطلب الخطوة التالية مراعاة فترة زمنية محددة للتغيير، أو علاقة في قاعدة بيانات إدارة التكوين (CMDB)، أو أداة تحقق تتحقق من الحالة النهائية بدلاً من المحادثة السلسة.

نشرت ServiceNow CoreAI / ServiceNow-AI أداة AutoSynthData لمعالجة هذه الثغرة مباشرةً. يصف المؤلف الرئيسي ، إساكيفيل إساكيراجا، آليةً تحوّل إخفاقات الوكيل المستهدف - بالإضافة إلى نجاحات مُعلِّم أقوى - إلى مهام تدريب اصطناعية مُدققة ومُصممة خصيصًا لبيئات المؤسسات. لا يكمن الهدف في جمع المزيد من سجلات المحادثات، بل في مضاعفة العمل الجاد والقابل للتحقق الذي يُفعِّل نفس القدرة في ظل ظروف جديدة، بحيث يُمكن للضبط الدقيق الخاضع للإشراف سدّ الثغرات الخاصة بكل بيئة.

تتناول هذه المقالة الفكرة الأساسية، وتجريد المهام، وحلقة توليد المهام ومراقبة جودتها، والبنية المشتركة، والنتائج التي أوردها المؤلف حول استخدام EnterpriseOps Gym في بيئات هجينة وبيئات إدارة خدمات تكنولوجيا المعلومات. وتلتزم المقالة بما وصفه البحث: منهج متطور من المهام الاصطناعية، وليس ادعاءً بحل جميع مشاكل أي مؤسسة بشكل فوري.

لماذا تتفوق الكفاءة البيئية على القدرة العامة؟

تحتاج المؤسسات إلى وكلاء يعملون ضمن بيئتها - أنظمتها وقواعدها وحالة بياناتها. لا تعني القدرة الواسعة بالضرورة الكفاءة في التعامل مع البيئة. فقد يعرف الوكيل كيفية عمل إدارة خدمات تقنية المعلومات عادةً، ولكنه قد يغفل عن السياسة المحلية التي تمنع بعض عمليات الانتقال، أو عن الأداة التي تُحدِّث جدولًا ذا صلة فقط بعد وجود سجل مُسبق.

تُعدّ حالات الفشل الفردية مفيدة، لكنها لا تُشكّل بيانات تدريبية كافية. فمسار واحد معطّل يُشير إلى نقطة ضعف، ولا يُوفّر عشرات الحالات المجاورة التي من شأنها تعليم النموذج كيفية التعافي في ظلّ التغيّرات. تحتاج الفرق إلى العديد من المهام الجديدة التي تُفعّل نفس القدرة بطرق مختلفة، وتبقى قابلة للإنجاز ضمن بيئة العمل، وتُشعر المستخدم بأنها واقعية، وتظل قابلة للتحقق من خلال فحوصات النتائج.

هذا هو الدافع التصميمي وراء AutoSynthData. تتحول الإخفاقات إلى إشارات لبطاقات القدرات، التي بدورها تُولّد مهامًا جديدة. يُظهر المعلم المتميز مسارات النجاح. تُحدد المرشحات والمُدقّقات ما يدخل مجموعة الضبط الدقيق الخاضعة للإشراف. بعد التدريب، يُحوّل التقييم حدود الأداء نحو الفجوات المتبقية. تُصمّم هذه الحلقة وفقًا للمنهج الدراسي، وليست مجرد عملية تفريغ بيانات لمرة واحدة.

يُعدّ تحديد الإطار أمرًا بالغ الأهمية للممارسين. فإذا اقتصر تخزينك على المطالبات الفاشلة، فإنك تخاطر بتخصيصها بشكل مفرط لتلك الكيانات والصياغات تحديدًا. أما إذا اقتصر توليدك على طلبات اصطناعية غير مقيدة، فإنك تخاطر بمهام مستحيلة أو غير واقعية أو غير قابلة للتحقق. يقع AutoSynthData في المنتصف بين هذين النقيضين: فهو يُنقّي ما فشل ويُحوله إلى مواصفات للقدرات، ثم يُعيد توليد المهام التي تحافظ على جوهرها الأساسي مع تغيير شكلها الخارجي وأبعادها القابلة للتحكم.

شكل المهمة العملية: النظام، والموجه، والمدقق

يمكن تعريف العمل الوكيل عملياً على النحو التالي: المهمة تساوي مواصفات النظام، ومطالبة المستخدم، والمُدقِّق. كل جزء يحمل قيوداً تحافظ على البيانات الاصطناعية متينة وموثوقة.

يشمل تحديد مواصفات النظام القيود والسياسات والحالة الأولية - على سبيل المثال، بيانات قواعد البيانات الأولية ومقالات المعرفة. ويجب أن يظل متوافقًا مع الأدوات والحالة المتاحة. أما قيود الصعوبة التعسفية التي تتجاهل عقود الأدوات أو واقعية البيانات الأولية، فتؤدي غالبًا إلى مهام هشة تُعلّم دروسًا خاطئة.

تعتمد جودة توجيهات المستخدم على ثلاثة معايير. يقيس معيار الجدوى ما إذا كان هناك مسار منطقي. ويقيس معيار الواقعية ما إذا كان المستخدم سيطلب هذا التوجيه بشكل معقول. أما معيار الصعوبة فيقيس ما إذا كانت المهمة تكشف عن نقطة ضعف حالية لدى النظام المستهدف بدلاً من كونها شيئًا يحلّه النظام المستهدف بكفاءة. إن التوجيهات البسيطة للغاية بالنسبة للنظام المستهدف تُهدر ميزانية التدريب، بينما تُهدر التوجيهات المستحيلة ثقة المستخدم في عملية التقييم.

تعتمد جودة التحقق على الاتساق والدقة والشمولية. فإذا كانت عملية التحقق متساهلة للغاية، تُقبل المسارات الضعيفة. أما إذا كانت مقيدة بمسار واحد فقط، فتفشل الحلول البديلة الصحيحة. غالبًا ما تُفضل بيئات المؤسسات عمليات التحقق من النتائج القائمة على لغة SQL أو على الحالة، لأنها تُقيّم الوضع بعد تنفيذ البرنامج، وليس مسار الرمز المميز الذي سلكه البرنامج.

يعتمد AutoSynthData على هذه العناصر الثلاثة لضمان ثبات العمل المُولّد. لا تُنشئ المُولّدات اختبارات عشوائية، بل تُنتج مهامًا يُمكن تنفيذها في مُهايئ البيئة وتقييمها بواسطة أدوات التحقق التي تُراعي خصائص الحالة النهائية المطلوبة.

من التقييم التشخيصي إلى بطاقات مواصفات القدرات

تبدأ العملية بتقييم تشخيصي للعنصر المستهدف ووجود مُعلِّم أكثر كفاءة داخل البيئة. تكشف عمليات التشغيل المتوازية عن مواطن قصور العنصر المستهدف ومواطن نجاح المُعلِّم. تُشكِّل هذه الحالات المتباينة المادة الخام لتصميم المناهج الدراسية.

ثم تأتي مرحلة التقطير في بطاقات مواصفات القدرات المُنقّحة. تُسجّل البطاقة القدرة قيد الاختبار، والأدوات أو شكل سير العمل ذي الصلة، ونقاط فشل الهدف ونجاح المُعلّم، وخصائص الحالة النهائية المطلوبة، والأبعاد التي قد تتغير عند ابتكار مهام جديدة. والأهم من ذلك، أن المُولّد لا يتلقى المطالبات الأصلية، أو الكيانات، أو المسارات، أو تفاصيل المُدقّق - بل البطاقات فقط.

يُعدّ هذا التنقيح إجراءً مقصودًا لمكافحة التخصيص الزائد. فلو رأى المُولّد أرقام التذاكر الفاشلة، أو معرّفات مقالات المعرفة، أو آثار المُعلّمين، لكان سيميل إلى إعادة صياغة الموقف نفسه. تُجبر البطاقات على التجريد: تعليم القدرة ضمن تنويع قابل للتحكم، لا المثال المحفوظ.

بعد إنشاء البطاقات، يُنشئ النظام مهامًا جديدة منها. ثم يُقدّم المعلم نماذج ناجحة لضبط الأداء تحت الإشراف. هذه النماذج ليست نصائح عامة، بل هي نجاحات مبنية على بيئة التعلم، وتجتاز نفس معايير التحقق التي يعتمدها المنهج الدراسي.

يُبنى المقياس على مرحلتين. المرحلة الأولى على العينات الأساسية المُدققة حول نقاط الضعف - أي المهام ذات الإشارة الأعلى بالقرب من موضع خلل العامل الضعيف. أما المرحلة الثانية، فتُنشئ متغيرات جديدة للأهداف المقبولة. لا يمكن للعينات المُضاعفة أن تُنتج جولات مضاعفة أخرى، مما يحد من الانحراف. هذه القاعدة بسيطة لكنها مهمة: فالتغير التكراري غير المحدود قد يبتعد عن القدرة المحددة في البطاقة.

وحدة تحكم مشتركة، ومحول بيئة، والحدود المتحركة

من الناحية المعمارية، يستخدم AutoSynthData وحدة تحكم مشتركة بالإضافة إلى مُهايئ بيئي. تتولى وحدة التحكم تنسيق عمليات التشخيص، والتحقق من البطاقات، وإنشاء البيانات، وعرضها على المعلمين، وبوابات الجودة، ومراجعة الدفعات. يربط المُهايئ هذه الخطوات ببيئة اختبار مؤسسية محددة - تشمل الأدوات، والحالة، والسياسات، والمُدقِّقين - بحيث يمكن لحلقة التحكم نفسها أن تستهدف مجالات مختلفة دون الحاجة إلى إعادة كتابة منطق المنهج من الصفر.

بعد الضبط الدقيق الخاضع للإشراف، يُعاد تقييم مسار التعلم. ثم ينتقل المنهج إلى معالجة الثغرات المتبقية: حدود متحركة وليست مجموعة بيانات ثابتة. تركز التجارب الموصوفة في هذا العمل على الضبط الدقيق الخاضع للإشراف. يمكن أن تدعم الحلقة نفسها التعلم المعزز لاحقًا؛ ويُشار إلى هذا التوجه على أنه مُخطط له، وليس مُنجزًا.

بالنسبة لفرق المؤسسات، يتمثل الدرس المعماري في المرونة. لا ينبغي لوحدات التحكم أن تُضمّن مخطط تذكرة واحد بشكل ثابت. يجب أن تُوفّر المحولات مستوى كافيًا من دقة الحالة والأدوات بحيث تكون أدوات التحقق ذات مغزى. يجب أن يتعامل المنهج مع نتائج التقييم كمدخلات لاحقة، وليس كلوحة نتائج لمرة واحدة.

EnterpriseOps Gym هي البيئة التي تم فيها توضيح هذا النهج. وهي عبارة عن منصة اختبار واسعة النطاق لوكلاء المؤسسة، تضم حوالي 1150 مهمة مُنسقة من قبل خبراء عبر 8 مجالات، ونحو 512 أداة، وحوالي 164 جدول قاعدة بيانات، وتنفيذ مُحوسب، والتحقق من النتائج باستخدام لغة SQL، وعمليات مُدارة بالسياسات، وسيناريوهات هجينة متعددة المجالات، واختبارات الجدوى والرفض، ومسارات حالة طويلة المدى. لا يُقدم AutoSynthData على أنه مبتكر هذه البيئة؛ بل هي بمثابة منصة اختبار الضغط لحلقة التوليف.

مراقبة الجودة على مستوى العينة للحفاظ على موثوقية المهام الاصطناعية

إن توليد البيانات بدون بوابات هو سبب حدوث أخطاء في بيانات العوامل الاصطناعية. يصف برنامج AutoSynthData عملية مراقبة الجودة على مستوى العينة من خلال عدة فحوصات تكميلية.

يُوجّه مُرشِّح صعوبة المُحلِّل المجموعة نحو المهام الصعبة على المُستهدف والقابلة للحل من قِبَل المُعلِّم. يُفضِّل التكوين الموصوف المهام التي يحلها المُستهدف في محاولة واحدة على الأكثر من أصل ثلاث محاولات، بينما ينجح المُعلِّم في محاولتين على الأقل من أصل ثلاث. في هذا النطاق، يُمكن للعروض التوضيحية المُوجَّهة أن تُعلِّم شيئًا لا يمتلكه النموذج الضعيف بالفعل.

يتطلب التحقق الإيجابي اجتياز مسار مرجعي للمُدقِّق. بينما يتطلب التحقق السلبي فشل النتائج الخاطئة المُعدَّلة. ويُختبر هذان النوعان معًا جانبي القبول والرفض في المُدقِّق. فإذا اقتصر التحقق على النتائج الإيجابية فقط، فقد يقبل المُدقِّق المتساهل بيانات غير صالحة. أما إذا اقتصر التحقق على النتائج السلبية فقط، فقد يرفض المُدقِّق المُتشدد بيانات صالحة.

تحاول حلقة النقد والإصلاح، مع حدٍّ لعدد المحاولات، إصلاح المهام التي تفشل في اجتياز المراحل بدلاً من تجاهل كل محاولة قريبة من الفشل فوراً. حدود المحاولات مهمة: فالإصلاح المستمر قد يخلق قيوداً مصطنعة بشكل متزايد لمجرد اجتياز قائمة التحقق.

ثم تقوم المراجعة الشاملة على مستوى الدفعة بفحص المجموعة بأكملها بحثًا عن التغطية والتنوع والتكرار والأهداف غير الناجحة. تحافظ بوابات العينات على سلامة العناصر الفردية؛ وتمنع مراجعة الدفعة المنهج من التجمع حول نمط فشل ضيق واحد أو استنساخ نسخ متطابقة تقريبًا.

تُفسر هذه الضوابط سبب قدرة خط الأنابيب على إنتاج آلاف العينات لساعات دون اعتبار الحجم بديلاً عن الملاءمة. تختلف السرعة باختلاف المجال وحجم المعلم، لكن آلية مراقبة الجودة ثابتة: نطاق الصعوبة، والتحقق الإيجابي والسلبي، والإصلاح ضمن حدود معينة، ثم المراجعة الشاملة.

حالات الفشل الخام مقابل البطاقات مقابل مجموعات SFT المعتمدة

من المفيد مقارنة فائدة كل عنصر. سجلات الأعطال الخام تُستخدم للتشخيص. بطاقات القدرات تُستخدم لإنشاء العقود. مجموعات الضبط الدقيق الخاضعة للإشراف والمُدققة هي ما يتم التدريب عليه عمليًا.

في لقطات Hybrid وITSM على منصة EnterpriseOps Gym، استخدمت عمليات التشغيل التي أبلغ عنها المؤلفون Gemma-4-26B-A4B-it كهدف. قام Hybrid بربط هذا الهدف مع Qwen3.8-27B كمعلم، وأنتج حوالي 2000 عينة هجينة في غضون 18 ساعة تقريبًا، مع أفضل نقطة تحقق في المرحلة 5. ارتفع متوسط ​​نسبة النجاح عند المستوى 1 بمقدار 7.2 نقطة مئوية - أي حوالي 35% نسبيًا - مع انتقال نجاح المُدقِّق من 63.01% إلى 68.55%، مما قلل حوالي 59% من فجوة النجاح عند المستوى 1 مقارنةً بالنموذج المرجعي.

قام نظام إدارة خدمات تكنولوجيا المعلومات (ITSM) بربط الهدف نفسه ببرنامج DeepSeek-V4.1-Flash كمعلم، وأنتج حوالي 1994 عينة في غضون 66 ساعة تقريبًا، وهي مدة أطول جزئيًا بسبب حجم المعلم الأكبر ولأن بعض تحسينات خط الأنابيب لم تكن قد طُبقت بعد. ارتفع متوسط ​​نسبة النجاح عند 1 من 18.77% إلى 27.18%.

اقرأ هذه الأرقام كنتائج بحث أجرته الشركة على هذا النظام التدريبي للمجالات التي تم اختبارها، وليس كنسخة مستقلة من طرف ثالث، ولا كضمانة شاملة للمؤسسات. تتحقق المكاسب عندما تتوافق قوة المدرب وجودة المُدقِّق ودقة البيئة.

ما الذي ينبغي على الممارسين نسخه من الحلقة؟

حتى لو لم تكن بنيتك التحتية هي خط أنابيب البحث الخاص بـ ServiceNow، فإن النمط قابل للتطبيق. ابدأ بتقييم مقارن بين هدف مشابه لبيئة الإنتاج ونموذج تعليمي أقوى في بيئة اختبارية دقيقة. حوّل حالات الفشل في المقارنة إلى بطاقات قدرات تُزيل المعرّفات والمسارات. أنشئ مهامًا بأبعاد مختلفة مع الحفاظ على خصائص الحالة النهائية المطلوبة. اطلب من النموذج التعليمي إظهار النجاحات. استخدم مستويات الصعوبة، والتحقق الإيجابي والسلبي، والإصلاح المحدود، ومراجعة تنوع الدفعات. اضبط بدقة، وأعد التقييم، ووسّع آفاقك.

أولِ اهتمامًا خاصًا بتصميم أداة التحقق. توضح عمليات التحقق من نتائج SQL على غرار EnterpriseOps Gym والعمليات الخاضعة للسياسات سبب ضعف معايير المحادثة وحدها في العمليات التي تتطلب حالة. إذا لم تتمكن أداة التحقق من التمييز بين النتائج الخاطئة المتغيرة والنتائج النهائية الصحيحة، فإن التوسع الاصطناعي سيزيد من التشويش.

كما يجب احترام مبدأ التكاثر: لا ينبغي أن تُنتج متغيرات الأهداف المقبولة المزيد من المتغيرات بلا نهاية دون الرجوع إلى النوى المُختبرة. الانحراف بطيء. قد ينجح منهجٌ يُنشئ ببطء قيودًا أكثر غرابة في اجتياز المرشحات السطحية، بينما يُبقي القدرة الأصلية غير مُدرَّبة بشكل كافٍ.

أخيرًا، تعامل مع العمل الهجين متعدد المجالات كحالة ضغط من الدرجة الأولى. لا يقتصر المستخدمون العاديون على استخدام أداة واحدة. تظهر كفاءة بيئة العمل - أو تفشل فشلاً ذريعًا - في المهام الهجينة، والمسارات طويلة المدى، واختبارات الرفض أو عدم الجدوى.

تحذيرات وحدود وقراءة متأنية للمكاسب

النتائج التي أبلغ عنها المؤلفون حول منصة EnterpriseOps Gym هي مؤشرات إرشادية وليست ضمانًا مطلقًا. تنطبق المكاسب المنشورة في مجاليّ Hybrid وITSM على هذين المجالين ونماذج الاقتران المذكورة في الإعداد الموصوف. قد تؤدي المجالات الأخرى، أو ضعف جودة المُدرّبين، أو زيادة التشويش في عمليات التحقق، أو انخفاض دقة بيئة العمل، إلى تقليص هذه الفائدة أو إلغائها تمامًا.

تعتمد الجودة على ثلاثة أركان لا يمكن لأي دعاية تسويقية تجاهلها. يحدد مستوى المعلم الحد الأقصى للعروض التوضيحية. ويحدد مستوى التحقق مدى موثوقية التصنيفات والفلاتر. أما دقة بيئة العمل فتحدد ما إذا كانت السلوكيات المكتسبة ستستمر عند التعامل مع أنظمة الإنتاج والقواعد وحالة البيانات.

تُركز تجارب AutoSynthData على الضبط الدقيق الخاضع للإشراف. ويُشار إلى التعلم المعزز كاستخدام محتمل لاحق لنفس الحلقة، مُخطط له وليس مُنفذًا في العمل المذكور. يجب على القراء عدم الخلط بين محرك بيانات جاهز للمناهج الدراسية وبين ادعاء تدريب التعلم المعزز النهائي.

ولا ينبغي للقراء الخلط بين مسار التوليف ومنصة الاختبار نفسها. يوفر EnterpriseOps Gym المهام والأدوات والجداول وبيئة الحاويات وبنية التحقق المُنسقة. يستخدم AutoSynthData هذا النوع من البيئة لتحويل الإخفاقات إلى فرص تدريبية قيّمة. يجب تقدير كلا العنصرين بدقة: فمنصة الاختبار تُرهق العملاء، بينما يُضاعف مسار التوليف المهام القابلة للتعلم من الثغرات المُشخصة.

لا يوجد وقت مجاني للحوسبة والتقويم داخل بيئة الاختبار. استغرقت عملية التركيب الهجين حوالي ساعات لحوالي ألفي عينة؛ بينما استغرقت إدارة خدمات تكنولوجيا المعلومات وقتًا أطول مع مُعلِّم أكثر تعقيدًا وبنية خط أنابيب مُبكرة. ينبغي على الفرق تخصيص ميزانية لاستنتاج المُعلِّم، وإعادة المحاولات في النقد أو الإصلاح، وإعادة التقييم بعد كل خطوة من خطوات المنهج.

التفكير المنهجي لفرق وكلاء المؤسسات

الفكرة الأعمق في AutoSynthData هي منهجية وليست توليدية بحتة. تشخيص الأعطال. تجريد البطاقات. تضاعف التوليد. التحقق من الجودة. تحديث SFT للهدف. إعادة التقييم تحرك الحدود. هذا التسلسل يتعامل مع تحسين الوكيل كسلسلة من الدروس المرتكزة على البيئة بدلاً من تفريغ واحد غير متصل بالإنترنت للآثار.

يُغيّر التفكير المنهجي طريقة توزيع القادة لجهودهم. فبدلاً من الاكتفاء بطلب المزيد من التذاكر أو المزيد من التعليقات البشرية، ينبغي التساؤل عن القدرات التي لا تزال تفشل في ظل التباين، وما إذا كانت هذه القدرات تتمتع بخصائص نهائية واضحة، وما إذا كان بإمكان مُعلّم أكثر كفاءة إظهارها بشكل موثوق. إذا لم ينجح المُعلّم بالقدر الكافي، فإنّ التدريب الاصطناعي القائم على المحاكاة سيُعلّم سلوكًا غير موثوق. وإذا كانت الخصائص النهائية غامضة، فسيُعارض المُدقّقون الاستراتيجيات الصحيحة.

يُغيّر هذا أيضًا طريقة الحديث عن النجاح. يُعدّ سدّ جزء من فجوة "اجتياز المستوى الأول" (Pass@1) للوصول إلى نموذج مرجعي في بيئة هجينة، أو رفع مستوى "اجتياز المستوى الأول" في إدارة خدمات تكنولوجيا المعلومات (ITSM) من أواخر العشرينيات إلى أواخر الثلاثينيات في التقارير التي يُقدّمها المؤلفون، تقدمًا في كفاءة البيئة المقاسة. لكن هذا لا يُثبت حلّ جميع مسارات العمل، أو جميع السياسات، أو جميع حالات الرفض. حافظ على لغة "الحدود المتحركة": فالفجوات المتبقية تُصبح المرحلة المستهدفة التالية، وليست مجرد فكرة لاحقة.

في تصميم البرامج، يُنصح بدمج هذه الحلقة مع المراجعة البشرية في الحالات بالغة الأهمية - كسياسات السلامة، والإجراءات غير القابلة للتراجع، والبيانات الخاضعة للتنظيم - مع ترك البوابات الآلية تُجري عمليات التحقق من الحالة المحددة بدقة. تعمل البيانات الاصطناعية بكفاءة عالية عندما يكون النظام قادرًا على الإجابة بنعم أو لا بوضوح تام، كما هو الحال في لغة SQL. أما عندما يكون النجاح خاضعًا للذوق الشخصي، فإنها تواجه صعوبة.

ملاحظات تصميمية حول الصعوبة والواقعية والرفض

يستحق استهداف مستوى الصعوبة إعادة النظر. فتفضيل المهام التي لا يحلها الطالب المستهدف إلا في ثلث الوقت على الأكثر يمنع التدريب من أن يصبح مجرد تمارين تافهة. كما أن اشتراط نجاح المعلم في ثلثي الوقت على الأقل يمنع العروض التوضيحية من أن تصبح عشوائية. هذا النطاق يمثل حلاً وسطاً عملياً بين التحدي وسهولة التعلم.

لا يزال الواقع معيارًا أقل صرامة، ولكنه ضروري. يطلب مستخدمو المؤسسات حلولًا تتناسب مع أدوارهم وأنظمتهم. قد تُنشئ المولدات التي تعتمد فقط على الصعوبة ألغازًا معقدة متعددة القيود لا يطلبها أي مشغل. تساعد بطاقات القدرات التي تُدرج الأبعاد المتغيرة، ومع ذلك، لا يزال على البشر أو المراجعة الشاملة رصد المطالبات غير المنطقية.

اختبارات الرفض وعدم الجدوى، الموجودة في التصميم الأوسع لـ EnterpriseOps Gym، الفرق بأن الكفاءة تشمل قول "لا". قد يؤدي مسار العمل المُحسَّن فقط للمهام القابلة للإنجاز إلى نقص التدريب على الرفض. عند توسيع حلقات نمط AutoSynthData، أضف بطاقات تكون فيها الخاصية النهائية الصحيحة هي رفض آمن وفقًا للسياسة، وليس مجرد تغيير ناجح لحالة قاعدة البيانات.

تُثير مسارات الحالة طويلة المدى ملاحظة تصميمية أخرى. يجب أن تظل عروض المعلمين متسقة عبر العديد من استدعاءات الأدوات. قد تغفل أدوات التحقق التي تتحقق فقط من صف الجدول الأخير عن حالات انقطاع السياسة الوسيطة. تعني الشمولية في تصميم أداة التحقق تغطية الخصائص التي تُحدد نجاح تلك القدرة حقًا - بما في ذلك القيود التي يجب أن تظل صحيحة طوال العملية، وليس فقط في النهاية.

ملخص ختامي

AutoSynthData، من ServiceNow CoreAI / ServiceNow-AI، والذي كتبه إساكيفيل إساكيراجا في مقالٍ عام، عبارة عن مسار عمل يحوّل حالات فشل الوكيل المستهدف ونجاحات المعلم إلى مهام تدريب اصطناعية مُدققة لبيئات المؤسسات. يقوم هذا المسار بتجريد حالات الفشل إلى بطاقات مواصفات قدرات مُنقّحة، ويُنشئ مهامًا جديدة دون تسريب المطالبات أو المسارات الأصلية، ويجمع عروضًا توضيحية من المعلم، ويُطبّق مراقبة الجودة على مستوى العينة ومستوى الدفعة قبل الضبط الدقيق الخاضع للإشراف.

يتمثل النموذج الذهني العملي في اعتبار المهمة بمثابة مواصفات للنظام، وتوجيه للمستخدم، وأداة للتحقق - مع الحفاظ على التوازن بين الجدوى والواقعية والصعوبة، وباستخدام أدوات تحقق ليست متساهلة للغاية ولا مقيدة بمسار واحد. تُشكل مراحل الاستهداف ثم المضاعفة، وقاعدة عدم الحاجة إلى مزيد من البذور للعينات المضاعفة، ووحدة تحكم مشتركة بالإضافة إلى مُهايئ بيئي، وإعادة تقييم ما بعد اختبار SFT، حدودًا متحركة لسد الفجوات المتبقية.

في منصة EnterpriseOps Gym، أظهرت نتائج الأداء الهجين التي أبلغ عنها المؤلف باستخدام Gemma-4-26B-A4B-it وQwen3.8-27B ما يقارب ألفي عينة خلال حوالي ثماني عشرة ساعة، مع تحسن ملحوظ في معدل النجاح عند أول اجتياز (Pass@1) ونجاح المُدقِّق، مما قلل الفجوة بشكل كبير مع النموذج المرجعي. أما في ITSM باستخدام DeepSeek-V4.1-Flash كمعلم، فقد ارتفع معدل النجاح عند أول اجتياز (Pass@1) من 18.77% إلى 27.18% على حوالي 1994 عينة خلال فترة تشغيل أطول. يجب اعتبار هذه الأرقام مؤشرات بحثية في مجالات محددة، تعتمد على المعلم والمُدقِّق ودقة البيئة، مع الحرص على اعتبار التعلم المعزز امتدادًا مُخططًا له للحلقة، وليس نتيجة نهائية.

إذا تذكرت جملة واحدة: تتحسن وكلاء المؤسسة عندما تصبح حالات الفشل دروسًا مجردة ومتعددة وموثقة داخل الأنظمة التي يجب عليهم تشغيلها يوميًا - وليس عندما تعيد الفرق تشغيل نفس التذكرة المعطلة.

مثال عملي: توسيع حالات إدارة خدمات تكنولوجيا المعلومات الصعبة من مجموعة حالات فشل مجمدة على غرار Gym

سيناريو

فريق منصة مؤسسية في المملكة المتحدة - فكر في مجموعة عمليات خدمات مالية متوسطة الحجم تدير نظام إدارة خدمات تكنولوجيا المعلومات على غرار ServiceNow مع نوافذ تغيير وعلاقات CMDB وعمليات انتقال مقيدة بالسياسات - لديه وكيل يشبه الإنتاج يستمر في التعثر في نفس فئة العمل: تحديثات الجداول التي يجب أن تحترم شرط الموافقة المسبقة، وعمليات البحث في مقالات المعرفة التي تتعارض مع عمليات تجميد التغيير المحلية، والطلبات الهجينة التي تعبر نظام إدارة خدمات تكنولوجيا المعلومات إلى أدوات العمليات المجاورة.

يقومون بتجميد مجموعة أدوات خاصة على غرار EnterpriseOps Gym (بيئة اختبار معزولة، وفحوصات نتائج SQL، وجداول مُهيأة، وقواعد سياسات) لضمان قابلية مقارنة النتائج أسبوعيًا. تُظهر عمليات التشخيص فشل الوكيل المستهدف في حين ينجح مُدرّب أقوى. ترغب الإدارة في الحصول على المزيد من بيانات التدريب دون تكرار أرقام التذاكر ومعرّفات الكيانات نفسها. يُعدّ AutoSynthData (أو حلقة توليد بيانات مكافئة من حالات الفشل إذا كانت عملية البحث مُقيدة في بنيتهم ​​التحتية) هو الحل الأمثل: تحويل حالات الفشل المتباينة إلى بطاقات مواصفات قدرات مُنقّحة، وإنشاء مهام جديدة، وجمع عروض توضيحية للمُدرّب، ثم - وهو أمر بالغ الأهمية - مراجعة آثار التتبع الاصطناعية يدويًا قبل أي إعادة تدريب.

لا يتم شحن أي شيء على Gym Pass@1 بشكل مستقل. تُعامل بيانات Synth كمنهج دراسي مرشح، وليست حقيقة مطلقة.

ما يحتاجه المساعد

• الوصول إلى محول بيئة Gym المجمد: الأدوات، وحالة البذور، والسياسات، ومدققات SQL (أو ما يعادلها من المدققات القائمة على الحالة).
• سجلات التقييم المزدوجة: مقارنة حالات الفشل المستهدفة بنجاحات المعلم في نفس المهام.
• مخطط بطاقة يلتقط القدرة، وشكل الأدوات/سير العمل، والتباين بين الفشل/النجاح، وخصائص الحالة النهائية المطلوبة، وأبعاد التباين المسموح بها - بدون مطالبات أصلية أو كيانات أو مسارات أو تفاصيل داخلية للمدقق.
• قواعد تنظيف المعلومات الشخصية والسياسات (معرفات التذاكر، أسماء المستخدمين، أسماء عناصر التكوين، الحقول المنظمة) قبل أن يغادر أي شيء بيئة الاختبار أو يدخل في موجه المولد.
• قائمة انتظار للمراجعة البشرية للمهام التركيبية المأخوذة عينات منها وآثار المعلم (الجدوى، والواقعية، وسلامة المدقق، وحالات الرفض/عدم الجدوى).
• شروط التوقف الواضحة: مراحل الهدف ثم التضاعف؛ العينات المضاعفة لا تُستخدم في جولات التضاعف اللاحقة.

مثال على التعليمات

يؤدي النظام الأساسي إلى مشغل المناهج الدراسية (أو إلى مساعد التنسيق الذي يقوم فقط بصياغة البطاقات ومجموعات المراجعة - فهو لا يعيد تدريب النماذج أو يروج لها):

قم بتشغيل اختبار التشخيص Pass@1 على شرائح ITSM وHybrid المجمدة مقابل هدفنا الحالي والمعلم المُعيّن. لكل مقارنة يفشل فيها الهدف وينجح المعلم في محاولتين على الأقل من أصل ثلاث، قم بصياغة بطاقة مواصفات قدرة مُنقّحة: سمِّ القدرة، واذكر الأدوات ذات الصلة، وحدد خصائص الحالة النهائية المطلوبة، واذكر الأبعاد القابلة للتحكم (نطاق الأولوية، وفئة CI ذات الصلة، وعلامة نافذة التغيير، ونوع تعارض المعرفة). احذف أرقام التذاكر، ومعرّفات المستخدم، وأسماء CI، والمسارات الأولية. أنشئ دفعة من المهام الجديدة لمرحلة الهدف من هذه البطاقات فقط. اطلب من المعلم إظهار النجاحات. طبّق نطاق الصعوبة (الهدف ≤ 1/3، المعلم ≥ 2/3)، والتحقق الإيجابي والسلبي، والنقد/الإصلاح المحدود. أنشئ حزمة مراجعة من 5% عينات طبقية بالإضافة إلى كل بطاقة رفض/عدم جدوى. لا تبدأ SFT حتى يوقع اثنان من المراجعين على الحزمة وتجتاز فحوصات تنظيف PII. بعد SFT على نقطة تفتيش مرشحة، أعد التقييم على المجموعة المجمدة وعلى مجموعة التطابقات التامة المحجوزة التي لم تُستخدم في عملية الإنشاء. قم بالإبلاغ عن التغطية حسب فئة الفشل ومعدل التراجع مقارنةً بنقطة التفتيش الإنتاجية السابقة. لا تعتمد على نتيجة Gym وحدها

كيفية اختباره

1. قفل خط الأساس: سجل معدلات النجاح عند اجتياز الاختبار الأول ومعدلات نجاح المُدقِّق على المجموعة المُجمَّدة حسب فئة الفشل (ترتيب المتطلبات الأساسية، رفض نافذة التغيير، أداة هجينة متعددة، تعارض المعرفة). حافظ على المجموعة والبيانات الأولية غير قابلة للتغيير طوال الدورة.
2. تدقيق البطاقات: تحقق عشوائياً من أن المولدات لا تتلقى أبداً المطالبات الأصلية أو الكيانات أو آثار المعلم - فقط البطاقات.
3. نموذج مراقبة الجودة: تأكد من أن المسارات الإيجابية تجتاز عمليات التحقق، وأن النتائج الخاطئة المتحولة تفشل. ارفض المهام التي تُعتبر بسيطة بالنسبة للهدف أو متقلبة بالنسبة للمعلم.
4. مراجعة بشرية: يقوم المراجعون بتقييم كل عينة على أنها قابلة للاحتفاظ بها / قابلة للإصلاح / قابلة للاستبعاد بناءً على الجدوى والواقعية وملاءمة السياسة. يتم تتبع مدى اتفاق المراجعين على مجموعة فرعية مشتركة.
5. المطابقة التامة للعينات المحجوزة: بعد اختبار SFT للمرشحين، يتم تقييم مجموعة محجوزة من المهام الحقيقية (أو المجمدة مسبقًا) التي لم تُستخدم كمدخلات في عملية التجميع أو التوليد. ويتم تقييم نسخ شبه مطابقة لمهام التدريب بشكل منفصل للكشف عن الحفظ السطحي.
6. بوابة التراجع: أي فئة فشل تتفاقم مقارنة بنقطة التفتيش الإنتاجية السابقة تمنع الترقية حتى يتم شرحها أو إصلاحها.

نتيجة

لا تخترع نسبًا مئوية للمقارنة هنا. استخدم خطة قياس، وقم بتسمية أرقام الأبحاث المنشورة بعبارة "ادعاء المقالة" عند الاستشهاد بها.

خطة القياس (ما يجب على هذا الفريق الإبلاغ عنه):

• تغطية فئة الفشل: نسبة فئات الفجوات التي تم تشخيصها والتي أنتجت ≥N مهمة مقبولة في المرحلة المستهدفة بعد مراقبة الجودة (حدد N مسبقًا، على سبيل المثال 20 مهمة مقبولة لكل فئة).
• التطابق التام للعينة المحجوزة: نجاح التحقق عند 1 / نجاح المُدقِّق على العينة المحجوزة غير المتأثرة قبل وبعد مرشح SFT (نفس البذور، نفس المُدقِّق).
• معدل التراجع: عدد فئات الفشل التي يفشل فيها Pass@1 مقارنة بنقطة التفتيش الإنتاجية السابقة؛ حظر إذا تراجعت أي فئة حرجة تتعلق بالسلامة.
• مراجعة العائد: الحفاظ على معدلات / إصلاح / إسقاط حزمة المراجعة البشرية؛ إذا ارتفع معدل الإسقاط بشكل كبير، أوقف عملية الضرب وقم بإصلاح البطاقات أو أدوات التحقق.
• حالات فشل التنظيف: عدد العينات التي تفشل في فحوصات PII/السياسة قبل الموافقة على المراجعة (الهدف: صفر حالات هروب إلى مجموعة SFT).

ادعاء المقال (مقتبس من تقرير المؤلف على منصة EnterpriseOps Gym - وليس نتيجة قياسات هذا الفريق): أنتجت عمليات التشغيل الهجينة باستخدام Gemma-4-26B-A4B-it كهدف وQwen3.8-27B كأداة مرجعية حوالي 2000 عينة في غضون 18 ساعة تقريبًا، مع ارتفاع متوسط ​​نسبة النجاح عند 1 بمقدار 7.2 نقطة مئوية تقريبًا، وتحسن نسبة نجاح التحقق من 63.01% إلى 68.55%. أما في نظام إدارة خدمات تكنولوجيا المعلومات (ITSM) باستخدام DeepSeek-V4.1-Flash كأداة مرجعية، فقد ارتفع متوسط ​​نسبة النجاح عند 1 من 18.77% إلى 27.18% على حوالي 1994 عينة خلال فترة تشغيل أطول (حوالي 66 ساعة). يُرجى اعتبار هذه النتائج مؤشرات بحثية حول مجالات وتوافقات محددة، وليست ضمانًا عامًا لبيئة الإنتاج في المملكة المتحدة.

شكل البرنامج التوضيحي (الافتراضات، وليس المكاسب المقاسة): إذا قبل الفريق حوالي 2000 عينة خاضعة لمراقبة الجودة لدورة واحدة من إدارة خدمات تكنولوجيا المعلومات، وخصص ميزانية لاستنتاج المعلم بالإضافة إلى المراجعة بنسبة 5٪ من أخذ العينات الطبقية، ولم يقم بالترقية إلا عندما لا يؤدي اختبار التحقق إلى تراجع الفصول الدراسية ذات الأهمية البالغة للسلامة، فإن "النتيجة" التي يمكنهم الادعاء بها بجدية هي نضج العملية - منهج دراسي مدقق، وآثار منقحة، وفروقات مماثلة في الجناح المجمد - وليس زيادة بنسبة مئوية موعودة.

ما الذي يمكن أن يحدث خطأً؟

• التعامل مع الصوت الاصطناعي كحقيقة مطلقة: إن تخطي المراجعة البشرية أو التحقق السلبي يسمح للمدققين المتساهلين بالاعتراف بالهراء على نطاق واسع.
• تسريب الكيانات: إن إدخال معرفات التذاكر الأصلية أو آثار المعلم في المولد يدعو إلى الإفراط في التخصيص؛ توجد البطاقات لمنع ذلك.
• الضرب غير المحدود: إن السماح للعينات المضاعفة بتوليد جولات إضافية يبتعد عن القدرة المذكورة.
• شحن نقاط الصالة الرياضية: الترويج لأن نسبة نجاح الأجنحة المجمدة (Pass@1) ارتفعت بينما تدهورت حركة المرور الخفية للإنتاج أو الصمود.
• سقف المعلم الضعيف: إذا لم يتمكن المعلم من تجاوز نطاق النجاح ≥2/3، فإن SFT يقدم عروضًا توضيحية غير موثوقة.
• المدققون الضبابيون: معايير المحادثة بدلاً من عمليات التحقق القائمة على الحالة تُقيّم الاختبارات النهائية الخاطئة بطلاقة على أنها نجاح.
• رفض التدريب الناقص: إن التحسين فقط للطفرات القابلة للإكمال يجعل نافذة التغيير وانخفاضات السياسة هشة.
• الهروب من المعلومات الشخصية الحساسة: مطالبات اصطناعية تعيد إدخال أسماء المستخدمين أو عناصر التحكم الحقيقية بعد عملية تنظيف سطحية.

الخلاصة العملية

استخدم حلقات نمط AutoSynthData - أو نمطًا مكافئًا لتوليد البيانات من حالات الفشل إذا لم تكن منصة ServiceNow CoreAI متاحة في بيئتك - لإنشاء حالات ITSM قوية وقابلة للتحقق من الثغرات المُشخَّصة. قم بتنقية البيانات وتحويلها إلى بطاقات قدرات، وفعِّل التحقق من مستوى الصعوبة والتحقق الإيجابي/السلبي، واحذف المعلومات الشخصية الحساسة، واطلب مراجعة العينات يدويًا قبل اختبار SFT. قِس تغطية فئات الفشل، والتطابق التام، ومعدل التراجع. استشهد بأرقام Gym فقط كسياق بحث خارجي. بيانات التوليف هي وقود للمناهج الدراسية، وليست ضمانًا: راجع العينات، واحتفظ بالمجموعة مُجمَّدة لإجراء مقارنة عادلة، ولا تعتمد أبدًا على نتيجة Gym وحدها.

التعليمات

ما هو برنامج AutoSynthData وما المشكلة التي يستهدفها؟

AutoSynthData عبارة عن مسار عمل ServiceNow CoreAI / ServiceNow-AI، وصفه إساكيفيل إساكيراجا، يدمج إخفاقات الوكيل المستهدف مع نجاحات وكيل تعليمي أقوى في مهام تدريب اصطناعية مُدققة لبيئات المؤسسات. يركز هذا المسار على كفاءة البيئة - السياسات المحلية، والمخططات، والأدوات، والحالة - بدلاً من المعرفة العامة الواسعة. والهدف هو مضاعفة العمل الدقيق والقابل للتحقق، بحيث يمكن للضبط الدقيق الخاضع للإشراف معالجة الثغرات الخاصة بالبيئة بدلاً من تكرار نفس المشكلة.

لماذا تختلف الكفاءة البيئية عن القدرة النموذجية الشاملة؟

غالباً ما تواجه وكلاء المؤسسات صعوبات لأن بيئة العمل نفسها تتسم بخصوصية معينة: سياسات التذاكر، وخصائص المخططات، وعقود الأدوات، وقواعد البيانات المُهيأة، وسير العمل بين الأنظمة. قد يتجمد نموذج يبدو قوياً في المعايير المفتوحة عند نافذة تغيير، أو علاقة في قاعدة بيانات إدارة التكوين (CMDB)، أو أداة تحقق تفحص الحالة النهائية. إن القدرة الواسعة لا تعني بالضرورة معرفة كيفية تصرف أنظمتك وقواعدك وحالة بياناتك في ظل عمليات الانتقال التي تحكمها السياسات.

ما هو شكل المهمة العملية التي يستخدمها برنامج AutoSynthData؟

يتألف النموذج العملي من مهمة تتضمن مواصفات النظام، ومطالبة المستخدم، وأداة التحقق. تشمل مواصفات النظام القيود والسياسات والحالة الأولية، مثل بيانات قاعدة البيانات الأولية ومقالات المعرفة. تُقيّم مطالبات المستخدم بناءً على الجدوى والواقعية والصعوبة. تعتمد أدوات التحقق، في الوضع الأمثل، على فحوصات النتائج القائمة على لغة SQL أو على الحالة، بحيث تُقيّم العالم بعد تنفيذ البرنامج، وليس فقط مسار الرمز المميز الذي تم اتباعه.

كيف تمنع بطاقات مواصفات القدرات المعقمة التجاوز في التخصيص؟

تُجري عمليات التشخيص مقارنة بين حالات فشل الهدف ونجاح المُعلِّم، ثم تُحوّل هذه الحالات إلى بطاقات مواصفات قدرات مُنقّحة. تُسجّل كل بطاقة القدرة، والأدوات أو شكل سير العمل، ومقارنة الفشل/النجاح، وخصائص الحالة النهائية المطلوبة، والأبعاد التي قد تختلف. لا يرى المُولِّد أيًّا من المُطالبات الأصلية، أو الكيانات، أو المسارات، أو تفاصيل المُدقِّق - فقط البطاقات - لذا تُركِّز المهام الجديدة على جوهر العملية دون الحاجة إلى إعادة صياغة حلقة مُخزَّنة.

ما هي مرحلتا الاستهداف والتضاعف في خط الإنتاج؟

تركز مرحلة الاستهداف على عينات أساسية مُدققة حول الثغرات - أي المهام ذات الإشارة الأعلى بالقرب من موضع ضعف العامل. أما مرحلة التكرار فتُنشئ متغيرات جديدة للأهداف المقبولة. لا يمكن للعينات المُكررة أن تُنتج جولات تكرار أخرى، مما يُبقي الانحراف عن القدرة المحددة تحت السيطرة. بعد الضبط الدقيق المُشرف عليه، تُعيد عملية إعادة التقييم توجيه المنهج نحو الثغرات المتبقية كحدود متحركة بدلاً من كونها مجموعة ثابتة.

كيف تضمن مراقبة الجودة على مستوى العينة موثوقية المهام التركيبية؟

يُفضّل مُرشِّح صعوبة المُحلِّل المهام التي يُنجزها الهدف في محاولة واحدة على الأكثر من أصل ثلاث، بينما ينجح المُعلِّم في محاولتين على الأقل من أصل ثلاث. يتطلب التحقق الإيجابي مسارًا مرجعيًا للنجاح، بينما يتطلب التحقق السلبي نتائج خاطئة مُعدَّلة للفشل. تحاول حلقة النقد والإصلاح، ذات حد إعادة المحاولة، إصلاح الأخطاء الوشيكة، بينما تتحقق المراجعة الشاملة على مستوى الدفعة من التغطية والتنوع والتكرار والأهداف الفاشلة عبر المجموعة.

ما هي البنية التي يستخدمها برنامج AutoSynthData عبر مجالات المؤسسة؟

يجمع هذا النظام بين وحدة تحكم مشتركة ومحول بيئة. تتولى وحدة التحكم مهام التشخيص، والتحقق من البطاقات، وإنشاء المحتوى، وعرض العروض التوضيحية للمعلمين، وبوابات الجودة، والمراجعة الدفعية. أما المحول، فيربط هذه الخطوات ببيئة اختبار محددة - أدوات، وحالة، وسياسات، ومُدقِّقات - بحيث يمكن لحلقة التحكم نفسها أن تشير إلى مجالات مختلفة دون الحاجة إلى إعادة كتابة منطق المنهج من الصفر.

ما هو مفهوم EnterpriseOps Gym في سياق هذا البحث؟

يُعدّ EnterpriseOps Gym منصة اختبار وكلاء المؤسسات واسعة النطاق، تُستخدم لاختبار قدرة النظام على تحمل الضغط، وتضم حوالي 1150 مهمة مُختارة بعناية من قِبل خبراء عبر 8 مجالات، ونحو 512 أداة، وحوالي 164 جدول قاعدة بيانات، وتنفيذًا مُحوسبًا، وتحققًا من النتائج باستخدام لغة SQL، وعمليات مُدارة بالسياسات، وسيناريوهات هجينة، ومسارات حالة طويلة المدى. لا يُقدّم AutoSynthData على أنه مبتكر هذه المنصة؛ بل تُظهر المنصة حلقة التوليف أثناء العمل.

ما هي النتائج التي أبلغ عنها المؤلفون والتي تظهر في بيئات Hybrid وITSM؟

في بيئة EnterpriseOps Gym، أنتجت عمليات التشغيل الهجينة باستخدام Gemma-4-26B-A4B-it كهدف وQwen3.8-27B كبرنامج مرجعي حوالي 2000 عينة خلال 18 ساعة تقريبًا، مع ارتفاع متوسط ​​نسبة النجاح عند 1 بمقدار 7.2 نقطة مئوية، وزيادة نسبة نجاح التحقق من 63.01% إلى 68.55%. أما في بيئة ITSM باستخدام DeepSeek-V4.1-Flash كبرنامج مرجعي، فقد ارتفع متوسط ​​نسبة النجاح عند 1 من 18.77% إلى 27.18% على حوالي 1994 عينة خلال فترة تشغيل أطول. يُرجى اعتبار هذه النتائج مؤشرات مبنية على أبحاث حول تركيبات محددة، وليست ضمانًا عامًا للإنتاج.

ما هي الأخطاء التي يجب على الفرق تجنبها عند استخدام حلقات التوليف من حالات الفشل؟

لا تتعامل مع البيانات المصطنعة على أنها حقيقة مطلقة، ولا تتجاهل المراجعة البشرية والتحقق السلبي. تجنب إدخال معرّفات التذاكر الأصلية أو بيانات المعلمين في مولد البيانات، أو السماح لعينات متعددة بتغذية جولات أخرى، أو الترويج لـ Gym Pass@1 بمفرده بينما يتفاقم التباطؤ أو حركة المرور الخفية. راقب أيضًا المعلمين غير الأكفاء الذين يقلّ أداؤهم عن مستوى النجاح، ومعايير تقييم المحادثات غير الواضحة بدلًا من عمليات التحقق من الحالة، وحالات رفض التدريب غير الكافي، وتسريب المعلومات الشخصية بعد عملية تنظيف سطحية.

مراجع

1. Hugging Face — AutoSynthData — huggingface.co
2. EnterpriseOps Gym — enterpriseops-gym.github.io
3. arXiv — arxiv.org
4. جيت هاب — EnterpriseOps-Gym — github.com