더 나은 학습 데이터를 구축하는 에이전트

AI 에이전트가 데이터 과학자 역할을 수행하며 고품질의 학습 및 평가 데이터를 구축하는 일반적인 방법론인 Autodata를 제안한다. 이 방법론은 에이전트가 더 강력한 데이터를 생성할 수 있도록 스스로를 학습시키는 메타 최적화(Meta-optimization) 과정을 포함한다.

구체적인 구현 방식으로는 Agentic Self-Instruct를 사용하며, 이를 통해 컴퓨터 과학 연구, 법률 추론, 수학적 객체 추론 등 다양한 분야에서 기존의 합성 데이터 생성 방식보다 향상된 성능을 입증했다. 특히 데이터 과학자 에이전트 자체를 메타 최적화했을 때 성능 향상 폭이 더욱 커지는 것을 확인했다.

이러한 에이전트 기반 데이터 생성(Agentic data creation) 방식은 추론 시의 연산량(Inference compute)을 모델 학습의 품질 향상으로 전환할 수 있는 새로운 경로를 제시하며, 향후 AI 데이터 구축 방식에 근본적인 변화를 가져올 잠재력을 지니고 있다.