Yipeng Li氏ら研究チームは9月23日(現地時間)、学術論文公開サイトarXiv cs.AIで、企業AI向けツール呼び出しエージェントの訓練・評価におけるデータ制約を解消する新しいデータ合成パラダイム「Synthesis Through Simulation (STS)」を発表した。STSは、シミュレートされた企業環境内で大規模言語モデル（LLM）エージェントがAPI操作を実行することで、整合性のあるデータを生成する。これにより、企業システムのビジネスおよび法的制限に起因するデータ不足の課題に対処し、大規模なAIエージェントの開発と展開を促進することが期待される。
企業AIエージェントの訓練と評価は、企業システム、データ、データベーススキーマに対するビジネスおよび法的制限によって、その規模が限定されるという課題に直面している。この状況は、機密性の高いデータを大規模に利用することの難しさに起因する。従来のデータ合成手法には限界があった。表形式データ合成は構造的な有効性とスキーマ可用性において制約があり、また手続きベースのアプローチは、特定のドメインに対する綿密な設計なしにはデータの分布忠実性を維持することが困難であった。
こうした背景に対し、研究チームが提案するSynthesis Through Simulation (STS)は、「スキーマフリー」の新しいデータ合成パラダイムである。このアプローチでは、データが有効性を定義する環境内で直接生成されるため、設計上、構造的な有効性を保証する。さらに、有効性の施行と分布モデリングという二つの課題を分離して対処することで、それぞれを独立して最適化できるという利点を持つ。
STSの中核を成すのは、ドメイン非依存の汎用エージェントGeneralist Populator (GP)である。GPは、データの分布忠実性と合成のスケーラビリティという、これまで未解決だった課題に対処する役割を担う。評価の結果、GPはデータベーススキーマに直接アクセスすることなく、評価対象となった10の環境全体で平均0.88の周辺忠実度と100%の制約充足率を達成したことが報告されている。
他の手法との比較では、統計的シンセサイザーは必要なシードデータの制約のため、10環境中7つの環境では適用が不可能であった。また、スキーマ特権エージェントを用いた場合、航空環境のような密接に結合されたワークフローにおいて、タスク構成の脆弱性が原因で軌跡の82%で失敗した事例も報告されており、GPの堅牢性が際立つ結果となった。
研究チームは、このSTSフレームワーク全体に加え、評価に用いられた10のシミュレーション環境、そしてそこで生成されたデータセットをオープンソースとして公開している。これにより、広範な研究コミュニティによる検証とさらなる発展が期待される。
参考: arXiv cs.AI — 2026年10月9日 13:00 (JST)