Auf den Punkt: KI-Agenten können als Datenwissenschaftler trainiert werden, um automatisch hochwertige synthetische Trainingsdaten zu generieren, welche durch Meta-Optimierung kontinuierlich besser werden.
Forscher haben Autodata entwickelt, eine Methode, die KI-Agenten als Datenwissenschaftler einsetzen, um hochwertige synthetische Trainings- und Evaluierungsdaten zu erzeugen. Das Verfahren wird durch Meta-Optimierung selbst trainierbar und liefert bessere Ergebnisse als klassische Datenerstellungsmethoden.
Autodata implementiert eine Strategie namens „Agentic Self-Instruct”, bei der KI-Agenten systematisch Trainingsdaten konstruieren. Der Ansatz ersetzt manuelles oder halbautomatisches Data Engineering durch eine agentengesteuerte Struktur, die iterativ lernt, welche Datencharakteristiken zu besseren Modellleistungen führen.
Die Methode wurde auf drei verschiedene Anwendungsfälle erprobt: Softwareentwicklungsaufgaben aus der Informatik, juristische Argumentation und mathematische Problemlösung. In allen Szenarien übertraf Autodata klassische Techniken der synthetischen Datengenerierung. Zusätzlich führte eine Meta-Optimierung des Data-Scientist-Agenten selbst zu weiteren Leistungsgewinnen – das System wird also besser darin, bessere Daten zu schaffen.
Für CTOs und Datenarchitekten relevant: Das Verfahren transformiert erhöhte Inferenzrechenleistung direkt in bessere Trainingsdaten. Statt zusätzliche Compute in Modelltraining zu investieren, kann sie in die Datenerzeugung fließen. Dies eröffnet einen neuen Optimierungsparameter beim Scaling von Trainingsinfrastruktur und könnte den Weg verändern, wie ML-Teams Trainignsdaten konstruieren und iterieren.
Quelle: arxiv.org · Erschienen 23. Juni 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.7.1.