बेहतर एआई प्रशिक्षण डेटासेट बनाने के लिए मल्टी-एजेंट सिम्युलेशन का उपयोग करना

टीएल;डीआर

•एकल-एजेंट डेटा उत्पादन एक आवाज़ पर संकुचित होता है; विभिन्न व्यक्तित्वों के बीच बहु-एजेंट बहस वास्तविक डेटा सेट की आवश्यकता के लिए विविधता और संघर्ष उत्पन्न करती है।
•चार तकनीकें: प्रतिकूल संवाद, सहयोगात्मक समस्या समाधान, व्यक्तित्व-आधारित विविधता, और वृद्धि परिदृश्य
•कार्यान्वयन एक 5-चरणीय चक्र है — व्यक्तित्वों को परिभाषित करना, विवादास्पद परिदृश्यों को रूपरेखा देना, विभिन्न बहसें चलाना, संरचित प्रतिलिपियों की समीक्षा करना, निर्यात और फ़िल्टर करना — विविधता, संगति, स्थिरता, और कवरेज द्वारा मापा जाता है।

Please provide the text you would like to have translated.

सिंथेटिक डेटा पाइपलाइनों में एक चुप्पा विफलता मोड है: एकल जनरेटर एजेंट के साथ बनाए गए एआई प्रशिक्षण डेटा सेट सभी एक ही व्यक्ति की तरह लगते हैं। एक मॉडल को दस हजार ग्राहक वार्तालाप उत्पन्न करने के लिए प्रेरित करें और आपको इसके सबसे संभावित ग्राहक के दस हजार रूपांतर मिलते हैं - समान शिष्टता स्तर, समान आपत्ति पैटर्न, समान व्यवस्थित समाधान। उस डेटा पर प्रशिक्षित मॉडल उस डेटा पर शानदार प्रदर्शन करते हैं जो उसके जैसा दिखता है, फिर असली उपयोगकर्ताओं पर ठोकर खाते हैं, जो किसी एक एजेंट की कल्पना से अधिक अव्यवस्थित, अधिक गुस्से में, अधिक भ्रमित और अधिक विविध होते हैं।

मल्टी-एजेंट सिमुलेशन समस्या को उसकी जड़ में ही हल करता है। एक एजेंट के बजाय जो एक इंटरैक्शन के दोनों पक्षों को उत्पन्न करता है, कई एआई व्यक्तित्व जिनकी वास्तव में अलग-अलग विशेषताएँ हैं — एक संदेहवादी, एक आशावादी, एक व्यावहारिक, एक शैतान का वकील — एक-दूसरे के साथ बातचीत करते हैं, बहस करते हैं, और बातचीत करते हैं। परिणामी डेटा वह है जो वास्तविक दुनिया के एआई सिस्टम को वास्तव में सीखने की आवश्यकता होती है: असहमति, मनाने, निराशा, सुधार, और उन हजारों छोटे friction जो मनुष्यों के बीच होते हैं जो एक स्क्रिप्ट साझा नहीं करते।

यह गाइड बताता है कि मल्टी-एजेंट जनरेशन सिंगल-एजेंट से क्यों बेहतर है, चार मुख्य सिमुलेशन तकनीकें, ArgumenTroupe के साथ चरण-दर-चरण कार्यान्वयन, और गुणवत्ता मेट्रिक्स जो आपको बताते हैं कि क्या आपका सिंथेटिक डेटासेट प्रशिक्षण के लिए योग्य है।

प्रशिक्षण डेटा के लिए मल्टी-एजेंट क्यों?

संश्लेषित डेटा परिवर्तन अब केवल अनुमानित नहीं है — गार्टनर ने अनुमान लगाया कि 2026 तक 75% उद्यम एआई के लिए संश्लेषित डेटा का उपयोग करेंगे, और संश्लेषित डेटा अनुसंधान अब एक मानक अनुशासन है। खुला प्रश्न यह नहीं है कि डेटा उत्पन्न करना है या नहीं, बल्कि यह है कि ऐसा डेटा कैसे उत्पन्न किया जाए जो उपयोगी होने के लिए पर्याप्त विविध हो।

विविधता की समस्या

एकल-एजेंट उत्पादन में एक संरचनात्मक सीमा होती है। एक मॉडल, चाहे वह कितना भी सक्षम हो, एक वितरण से नमूने लेता है:

✗समरूप परिवर्तन — समान अंतर्निहित बातचीत के सतह-स्तरीय पैराफ्रेज, वास्तव में भिन्न इंटरैक्शन नहीं
✗बहु-दृष्टिकोण संरचना की कमी — वास्तविक बातचीत में विभिन्न लक्ष्यों, ज्ञान और मनोदशाओं वाले पक्ष शामिल होते हैं; एक ही एजेंट दोनों पक्षों को निभाने से एक ही विश्वदृष्टि दोनों में लीक हो जाती है
✗कोई संघर्ष या बातचीत के पैटर्न नहीं — जनरेटर तनाव को बहुत सहयोगात्मक तरीके से हल करता है, इसलिए प्रशिक्षित मॉडल कभी भी उस उपयोगकर्ता को संभालना नहीं सीखता जो शांत नहीं होगा
✗अंडररेप्रेजेंटेड एज केस — असंभव लेकिन महत्वपूर्ण इंटरैक्शन आउटपुट में असंभव बने रहते हैं, ठीक वहीं जहां मॉडल उत्पादन में विफल होते हैं

मल्टी-एजेंट लाभ

विशिष्ट व्यक्तित्वों को वास्तविक बातचीत में डालने से प्रत्येक कमजोरी पलट जाती है:

✓विभिन्न व्यक्तित्वों से प्राकृतिक भिन्नता — एक संदेहवादी और एक आशावादी जब एक ही स्थिति का जवाब देते हैं, तो वे संरचनात्मक रूप से भिन्न भाषा का उत्पादन करते हैं, न कि समानार्थक वाक्य।
✓वास्तविक संवाद गतिशीलता — बाधा, गलतफहमी, स्पष्टता, और विषय परिवर्तन बातचीत से उत्पन्न होते हैं न कि स्क्रिप्टेड होने से
✓उभरते व्यवहार और पैटर्न — वार्ताएँ, गठबंधन में बदलाव, और रियायतें प्रकट होती हैं जिनका कोई संकेत नहीं देता, क्योंकि ये विरोधाभासी लक्ष्यों से उत्पन्न होती हैं।
✓संविधानिक किनारे के मामले की कवरेज — एक व्यक्ति को कठिन मामले के रूप में नियुक्त करें (गुस्से में ग्राहक, भ्रमित नवागंतुक) और किनारे के मामले एक कॉन्फ़िगरेशन पैरामीटर बन जाते हैं बजाय एक भाग्यशाली दुर्घटना के।

मल्टी-एजेंट सिमुलेशन तकनीकें

चार तकनीकें अधिकांश प्रशिक्षण डेटा आवश्यकताओं को कवर करती हैं। वे मिलकर — एक परिपक्व पाइपलाइन आमतौर पर एक ही परिदृश्य पुस्तकालय के खिलाफ कई चलाती है।

तकनीक 1: प्रतिकूल संवाद

एक एजेंट प्रस्ताव करता है; दूसरा एजेंट आलोचना करता है। प्रस्तावक को अपनी बात का बचाव करना, उसे सुधारना या स्वीकार करना होता है, और हर आदान-प्रदान एक प्रस्ताव-आपत्ति-प्रतिक्रिया त्रिकोण उत्पन्न करता है। यह आपत्ति-प्रबंधन डेटा का सबसे समृद्ध स्रोत है — यह पैटर्न ग्राहक-सामना करने वाले और सलाहकार मॉडलों को सबसे अधिक आवश्यकता होती है और जैविक डेटा सेट में सबसे कम होता है। क्योंकि आलोचक को निरंतरता के लिए कॉन्फ़िगर किया गया है, डेटा प्रतिवाद श्रृंखलाओं को कवर करता है जो विनम्र मानव वार्तालापों की तुलना में कहीं अधिक गहरा होता है। इस तरह से निर्मित डेटा सेट एक मॉडल को न केवल यह सिखाता है कि क्या कहना है, बल्कि यह भी कि दबाव में एक स्थिति को कैसे बनाए रखना है और कब समर्पण करना है।

तकनीक 2: सहयोगात्मक समस्या समाधान

कई एजेंट एक साझा लक्ष्य की ओर काम करते हैं - एक परियोजना की योजना बनाना, एक दोष का निदान करना, एक दस्तावेज़ का मसौदा तैयार करना। बातचीत समन्वय भाषा को कैद करती है: अगले कदमों का प्रस्ताव करना, उप-कार्य आवंटित करना, समझ की जांच करना, आंशिक उत्तर पर निर्माण करना। यह यथार्थवादी बारी-बारी से बोलने और योगदान की विषमता का भी मॉडल बनाता है, क्योंकि एक अच्छी तरह से कॉन्फ़िगर की गई टोली में एक प्रमुख आवाज, एक सावधानीपूर्वक संक्षेपण करने वाला, और एक शांत सदस्य होता है जिसे बाहर लाना आवश्यक होता है। इस डेटा के साथ प्रशिक्षित सहायक मॉडल बहु-पार्टी थ्रेड्स और लंबे समय तक चलने वाले कार्यों को उन लोगों की तुलना में स्पष्ट रूप से बेहतर तरीके से संभालते हैं जो केवल एक-पर-एक बातचीत पर प्रशिक्षित होते हैं।

तकनीक 3: व्यक्तित्व-आधारित विविधता

एक ही परिदृश्य विभिन्न व्यक्तित्व कास्ट के साथ बार-बार चलता है। एक धैर्यवान सेवानिवृत्त व्यक्ति, एक संक्षिप्त कार्यकारी, और एक चिंतित पहली बार खरीदार द्वारा संभाली गई एक रिफंड अनुरोध एक परिदृश्य परिभाषा से तीन संरचनात्मक रूप से भिन्न वार्तालाप उत्पन्न करती है — जनसांख्यिकीय और शैलिक विविधता लगभग शून्य सीमांत लेखन लागत पर। यह कवरेज के लिए कार्यशील तकनीक है: एक बार अपने परिदृश्य पुस्तकालय को परिभाषित करें, फिर इसे वास्तविक AI व्यक्तित्व प्रोफाइल से बने व्यक्तित्व मैट्रिक्स पर लागू करें। यह यह परीक्षण करने का भी ईमानदार तरीका है कि क्या एक मॉडल आपके सभी उपयोगकर्ताओं की सेवा करता है, न कि केवल औसत उपयोगकर्ता की।

तकनीक 4: वृद्धि परिदृश्य

संवाद के दौरान जानबूझकर कठिनाई और संघर्ष बढ़ते हैं — एक हल्का सवाल शिकायत बन जाता है, फिर यह चक्कर लगाने की धमकी बन जाता है, और फिर यह प्रबंधक की मांग बन जाता है। वृद्धि पैटर्न को पकड़ती है (कैसे भाषा बदलती है जब दांव बढ़ते हैं) और समाधान रणनीतियों (क्या कम करता है, क्या भड़काता है)। वास्तविक लॉग में कुछ पूर्ण वृद्धि आर्क होते हैं क्योंकि अधिकांश बातचीत जल्दी समाप्त हो जाती है; सिमुलेशन हर बार पूर्ण आर्क उत्पन्न कर सकता है, जिसमें पुनर्प्राप्तियाँ भी शामिल हैं। सुरक्षा-आवश्यक और समर्थन मॉडलों के लिए, यह तकनीक उन प्रशिक्षण उदाहरणों का उत्पादन करती है जो प्रति टोकन सबसे महत्वपूर्ण होते हैं।

कार्यान्वयन मार्गदर्शिका: ArgumenTroupe के साथ बहु-एजेंट डेटा उत्पादन

ArgumenTroupe को बहु-व्यक्तित्व विचार-विमर्श के लिए बनाया गया था, जो इसे एक स्वाभाविक पीढ़ी इंजन बनाता है: आप व्यक्तित्वों का एक समूह इकट्ठा करते हैं, उन्हें किसी विषय पर असहमत होने के लिए देते हैं, और संरचित बहस को प्राप्त करते हैं। कोई स्क्रिप्टिंग की आवश्यकता नहीं है — पूरा पाइपलाइन कॉन्फ़िगरेशन के माध्यम से चलता है। यहाँ कार्यप्रवाह अंत से अंत तक है।

अपने व्यक्तित्व समूह को परिभाषित करें

स्टॉक भूमिकाओं से शुरू करें — संदेहवादी, आशावादी, व्यावहारिक, शैतान का वकील — और उन्हें उन प्रोफाइलों के साथ विस्तारित करें जिनकी आपके डेटासेट को आवश्यकता है: एक निराश लंबे समय से ग्राहक, एक गैर-तकनीकी नवागंतुक, एक अनुपालन-मन वाले प्रबंधक। प्रत्येक व्यक्ति के लिए आप एक नाम, कुछ विशेषताएँ (अधीर, विवरण-उन्मुख, जोखिम-परहेज़) और एक संदर्भ पंक्ति निर्दिष्ट करते हैं जो उनकी स्थिति को स्थिर करता है। विशिष्टता ही मुख्य बिंदु है: यदि दो व्यक्ति एक ही बात कहेंगे, तो उन्हें मिलाएं और एक ऐसा जोड़ें जो ऐसा नहीं कहेगा।

परिदृश्यों को विवादास्पद प्रश्नों के रूप में प्रस्तुत करें

मल्टी-एजेंट डेटा केवल उतना ही समृद्ध होता है जितना कि प्रॉम्प्ट में तनाव होता है। अपने पुस्तकालय में प्रत्येक परिदृश्य को कुछ ऐसा में परिवर्तित करें जिस पर व्यक्तित्व वास्तव में असहमत हो सकें — "हमारी रिफंड नीति पर चर्चा करें" नहीं बल्कि "क्या इस सीमावर्ती रिफंड को मंजूरी दी जानी चाहिए?" प्रत्येक रन के लिए पैरामीटर सेट करें: कौन से व्यक्तित्व भाग लेते हैं, लगभग कितने एक्सचेंज राउंड होते हैं, और कौन से किनारे के मामले दिखाई देने चाहिए (एक बाधा, एक तथ्यात्मक सुधार, एक अनसुलझा अंत)।

बहस चलाएँ और कॉन्फ़िगरेशन को बदलें

सिमुलेशन शुरू करें और समूह को बहस करने दें। फिर समान परिदृश्य को बदले हुए कलाकारों (व्यक्तिगत-आधारित भिन्नता) के साथ, एक आलोचक जोड़ा गया (विरोधी संवाद) के साथ, या बढ़ते दांव (वृद्धि) के साथ फिर से चलाएं। प्रत्येक कॉन्फ़िगरेशन आपके डेटा सेट का एक नया टुकड़ा है जो उसी परिदृश्य के निवेश से आता है। हर रन को इसके परिदृश्य, व्यक्तित्व लाइनअप, और इच्छित परिणाम के साथ टैग करें — निर्माण के समय जो मेटाडेटा जोड़ा गया है वह लगभग मुफ्त है, और बाद में इसे फिर से बनाना कभी भी नहीं होता।

संरचित प्रतिलिपियों की समीक्षा करें

यहां एक विचार-विमर्श मंच एक कच्चे मॉडल लूप की तुलना में अपनी उपयोगिता साबित करता है। ArgumenTroupe प्रत्येक सत्र को एक संरचित तर्क प्रतिलेख के रूप में रिकॉर्ड करता है - किसने क्या कहा, किस बिंदु के जवाब में, किस पक्ष को लेते हुए - न कि एक असंगठित पाठ की दीवार के रूप में। तर्क स्तर पर सत्रों को स्किम करें: यह जांचें कि व्यक्तित्व चरित्र में रहे, कि असहमति वास्तव में हुई, और कि बातचीत विभिन्न तरीकों से समाप्त हुई। उन रनों को अस्वीकार करें या झंडा लगाएं जहां समूह बहुत जल्दी सहमति में चला गया - सहमति कृत्रिम विविधता की विफलता का मोड है।

प्रशिक्षण के लिए निर्यात और फ़िल्टर करें

स्वीकृत ट्रांसक्रिप्ट को उनके मेटाडेटा के साथ निर्यात करें, फिर मानक स्वच्छता पास लागू करें: खाली, दोहराए जाने वाले, या नीति के खिलाफ सामग्री के लिए स्वचालित फ़िल्टर; लगभग समान रन के बीच डुप्लिकेशन हटाना; एक यादृच्छिक नमूने की मानव समीक्षा। प्रशिक्षण, मान्यता, और परीक्षण सेट में विभाजित करें — और अंतिम मूल्यांकन के लिए वास्तविक, मानव-निर्मित डेटा को अलग रखें, ताकि आप मॉडल को वास्तविकता के खिलाफ मापें न कि अधिक कृत्रिम डेटा के खिलाफ। उत्पाद पक्ष से समान पाइपलाइन का वर्णन हमारे <a href="/use-cases/training-data-generation">प्रशिक्षण डेटा उत्पादन उपयोग मामले</a> में किया गया है।

मल्टी-एजेंट डेटा के लिए गुणवत्ता मेट्रिक्स

पीढ़ी सस्ती है; आपने जो उत्पन्न किया है उसे जानना अनुशासन है। चार मैट्रिक परिवार बहु-एजेंट डेटा सेट को कवर करते हैं:

•विविधता स्कोर — कॉर्पस में शब्दार्थ और अर्थ का फैलाव। यदि आपकी बातचीत के एम्बेडिंग्स एक साथ सघन रूप से समूहित होते हैं, तो आपकी व्यक्तित्व एक आवाज में समाहित हो रही है और बहु-एजेंट प्रीमियम समाप्त हो गया है।
•संगति मेट्रिक्स — क्या प्रत्येक टर्न उस परिप्रेक्ष्य का उत्तर देता है जो इसके पहले था? मल्टी-एजेंट रन समानांतर मोनोलॉग में भटक सकते हैं; संगति जांच उन ट्रांसक्रिप्ट को पकड़ती है जहाँ एजेंट एक-दूसरे को नजरअंदाज करते हैं।
•व्यक्तित्व की निरंतरता — संदेहवादी को टर्न 2 में संदेहवादी होना चाहिए और टर्न 20 में भी वही रहना चाहिए। असंगत व्यक्तित्व डाउनस्ट्रीम मॉडल को यह सिखाते हैं कि वक्ता की पहचान निरर्थक है, जो ठीक उसी संकेत को भ्रष्ट करता है जिसके लिए आपने डेटा उत्पन्न किया था।
•कवरेज विश्लेषण — आपके परिदृश्य-प्रति-व्यक्तित्व मैट्रिक्स और आपके आवश्यक किनारे के मामलों के खिलाफ उत्पन्न मानचित्र चलाता है। मैट्रिक्स में अंतर तब तक चुप रहते हैं जब तक कि एक उत्पादन मॉडल उस सेल से नहीं मिलता जिसे आपने कभी उत्पन्न नहीं किया।

केस स्टडी: ग्राहक सेवा बॉट प्रशिक्षण

एक प्रतिनिधि (संयुक्त) उदाहरण पर विचार करें: एक टीम जो एक सदस्यता उत्पाद के लिए ग्राहक सेवा सहायक बना रही है। उनका पहला प्रशिक्षण सेट एकल-एजेंट द्वारा उत्पन्न किया गया था - एक मॉडल जो हजारों टिकटों में ग्राहक और एजेंट दोनों की भूमिका निभा रहा था। बॉट ने आंतरिक रूप से अच्छा प्रदर्शन किया और फिर वास्तविक ग्राहकों के साथ कम प्रदर्शन किया, एक स्पष्ट पैटर्न में: इसने विनम्र, अच्छी तरह से तैयार किए गए अनुरोधों को ठीक से संभाला और जब ग्राहक गुस्से में थे, अस्पष्ट थे, या इसके पहले उत्तर पर प्रतिक्रिया दे रहे थे, तो यह टूट गया। प्रशिक्षण डेटा में लगभग कोई वास्तविक प्रतिक्रिया नहीं थी, क्योंकि एकल एजेंट जो दोनों पक्षों की भूमिका निभा रहा था, अपने टिकटों को सहयोगात्मक रूप से हल करता है।

पुनर्निर्माण में मल्टी-एजेंट सिमुलेशन का उपयोग किया गया। एक पर्सोना ट्रूप — निराशित पावर उपयोगकर्ता, भ्रमित नए उपयोगकर्ता, छूट-शिकारी, ग्राहक जिसने पहले ही दो बार समर्थन से संपर्क किया था — को एक एजेंट पर्सोना के खिलाफ समान परिदृश्य पुस्तकालय में चलाया गया, जिसमें प्रतिकूल और वृद्धि कॉन्फ़िगरेशन ऊपर परत किए गए। नए डेटासेट में गायब संरचनाएँ शामिल थीं: मल्टी-टर्न आपत्ति श्रृंखलाएँ, वृद्धि, गलत उत्तर के बाद मरम्मत, और बातचीत जो अनसुलझी समाप्त हुई।

मल्टी-एजेंट कॉर्पस पर फिर से प्रशिक्षित होने के बाद, बॉट का व्यवहार ठीक उसी जगह बदल गया जहां डेटा में बदलाव हुआ था: इसने असंतुष्ट ग्राहकों को अपना पहला उत्तर दोहराना बंद कर दिया, समस्या समाधान से पहले निराशा को स्वीकार करना सीखा, और अधिक समझदारी से मानवों के पास बढ़ा। सामान्य पाठ समर्थन बॉट्स से परे स्थानांतरित होता है: मॉडल अपने डेटा में मौजूद इंटरैक्शन पैटर्न सीखते हैं, और मल्टी-एजेंट सिमुलेशन वर्तमान में कठिन पैटर्न डालने का सबसे नियंत्रित तरीका है। व्यापक पीढ़ी की पद्धति के लिए, कृत्रिम बातचीत डेटा उत्पन्न करने के लिए हमारे गाइड को देखें generating synthetic conversation data।

आम तौर पर पूछे जाने वाले प्रश्न

मल्टी-एजेंट सिमुलेशन एआई प्रशिक्षण डेटा को कैसे सुधारता है?

यह एकल जनरेटर को बदलता है — जो एक वितरण और एक आवाज़ से हर बातचीत का नमूना लेता है — कई अलग-अलग व्यक्तित्वों के साथ जो वास्तव में बातचीत करते हैं। परिणामी डेटा में असहमति, बातचीत, वृद्धि, और जनसांख्यिकीय विविधता होती है जो एकल-एजेंट जनरेशन में व्यवस्थित रूप से कमी होती है, जो कि वास्तविक दुनिया के मॉडलों को कठिन उपयोगकर्ताओं और बहु-पार्टी गतिशीलता को संभालने के लिए आवश्यक सामग्री है।

सिंगल-एजेंट और मल्टी-एजेंट डेटा जनरेशन के बीच क्या अंतर है?

एकल-एजेंट उत्पादन में एक मॉडल एक इंटरैक्शन के सभी पक्षों का उत्पादन करता है, इसलिए दोनों पक्ष गुप्त रूप से एक ही विश्वदृष्टि साझा करते हैं और संघर्ष बहुत सहयोगात्मक रूप से हल होते हैं। बहु-एजेंट उत्पादन प्रत्येक पक्ष को एक अलग कॉन्फ़िगर की गई व्यक्तित्व — संदेहवादी, आशावादी, व्यावहारिक, शैतान का वकील — सौंपता है, इसलिए तनाव, गलतफहमी, और अनुकूलन इंटरैक्शन से उत्पन्न होते हैं न कि स्क्रिप्टेड होने के कारण।

मैं मल्टी-एजेंट एआई के साथ प्रशिक्षण डेटा कैसे बनाऊं?

पाँच-चरणीय लूप का पालन करें: विभिन्न व्यक्तित्वों का एक समूह परिभाषित करें, अपने परिदृश्यों को विवादास्पद प्रश्नों के रूप में ढालें, व्यक्तित्व कास्ट और संघर्ष स्तरों को बदलते हुए बहसें चलाएँ, व्यक्तित्व की निरंतरता और वास्तविक असहमति के लिए संरचित प्रतिलिपियों की समीक्षा करें, फिर डेटा को निर्यात, फ़िल्टर, डुप्लिकेट हटाएँ, और विभाजित करें। हमेशा अंतिम मॉडल का मूल्यांकन वास्तविक डेटा के खिलाफ करें, न कि अधिक कृत्रिम डेटा के खिलाफ।

क्या मुझे मल्टी-एजेंट सिमुलेशन का उपयोग करते समय भी वास्तविक डेटा की आवश्यकता है?

हाँ। मल्टी-एजेंट सिमुलेशन स्केल लेयर है, न कि ग्राउंड ट्रुथ का प्रतिस्थापन। वास्तविक डेटा दो अपरिहार्य भूमिकाएँ निभाता है: यह व्यक्तित्व कॉन्फ़िगरेशन को इस तरह से आधार प्रदान करता है कि वास्तविक उपयोगकर्ता कैसे व्यवहार करते हैं, और यह वह होल्ड-आउट मूल्यांकन सेट प्रदान करता है जो आपको बताता है कि क्या सिंथेटिक डेटा पर प्रशिक्षण ने वास्तविक दुनिया के प्रदर्शन में सुधार किया। सिंथेटिक और वास्तविक डेटा को पूरक के रूप में मानें।

वापस लड़ने वाला प्रशिक्षण डेटा उत्पन्न करें

एक पर्सोना ट्रूप असेंबल करें, संरचित डिबेट चलाएं, और अपने मॉडल को वास्तव में सीखने के लिए लिपियों का निर्यात करें।

नि:शुल्क परीक्षण शुरू करें

मल्टी-एजेंट सिम्युलेशन के साथ बेहतर एआई प्रशिक्षण डेटासेट बनाना