Autodata: Ein agentischer Datenwissenschaftler zur Erstellung hochwertiger synthetischer Daten
Autodata: An agentic data scientist to create high quality synthetic data
June 24, 2026
Autoren: Ilia Kulikov, Chenxi Whitehouse, Tianhao Wu, Yixin Nie, Swarnadeep Saha, Eryk Helenowski, Weizhe Yuan, Olga Golovneva, Jack Lanchantin, Yoram Bachrach, Jakob Foerster, Xian Li, Han Fang, Sainbayar Sukhbaatar, Jason Weston
cs.AI
Zusammenfassung
Wir stellen Autodata vor, eine allgemeine Methode, die es KI-Agenten ermöglicht, als Datenwissenschaftler zu agieren, die hochwertige Trainings- und Evaluationsdaten erstellen. Wir zeigen, wie man einen solchen Datenwissenschaftler-Agenten trainieren (meta-optimieren) kann, sodass er lernt, noch stärkere Daten zu erzeugen. Wir beschreiben die allgemeine Formulierung und eine spezifische praktische Implementierung, Agentic Self-Instruct. Wir führen Experimente zu Aufgaben der Informatikforschung, Rechtsargumentation und Argumentation mit mathematischen Objekten durch, bei denen wir im Vergleich zu klassischen synthetischen Datensatzerstellungsmethoden verbesserte Ergebnisse erzielen. Darüber hinaus führt die Metaoptimierung des Datenwissenschaftler-Agenten selbst zu einer noch stärkeren Leistungssteigerung. Agentische Datenerstellung bietet eine Möglichkeit, erhöhte Inferenzrechenleistung in ein qualitativ hochwertigeres Modelltraining umzuwandeln. Insgesamt glauben wir, dass diese Richtung das Potenzial hat, die Art und Weise zu verändern, wie wir KI-Daten erstellen.
English
We introduce Autodata, a general method that enables AI agents to act as data scientists who build high quality training and evaluation data. We show how to train (meta-optimize) such a data scientist agent, so that it learns to create even stronger data. We describe the overall formulation, and a specific practical implementation, Agentic Self-Instruct. We conduct experiments on computer science research tasks, legal reasoning tasks and reasoning with mathematical objects, where we obtain improved results compared to classical synthetic dataset creation methods. Further, meta-optimizing the data scientist agent itself delivers an even larger performance uplift. Agentic data creation provides a way to convert increased inference compute into higher quality model training. Overall, we believe this direction has the potential to change the way we build AI data.