ทันเอไอ

นักวิจัยเสนอวิธี Synthesis Through Simulation สร้างข้อมูลองค์กรจำลองด้วยเอเจนต์ LLM โดยไม่ต้องเปิดดูโครงสร้างฐานข้อมูล

งานวิจัยใหม่บน arXiv เสนอวิธี Synthesis Through Simulation ให้เอเจนต์ปัญญาประดิษฐ์สร้างข้อมูลองค์กรที่สอดคล้องกันผ่านการโต้ตอบกับ API ในสภาพแวดล้อมจำลอง โดยไม่ต้องเข้าถึงโครงสร้างฐานข้อมูลจริง

ทีมนักวิจัย 6 คน นำโดย Yipeng Li ได้เผยแพร่งานวิจัยหมายเลข 2610.10549 บนแพลตฟอร์ม arXiv เมื่อเดือนตุลาคม 2026 โดยนำเสนอแนวทางใหม่ในการสร้างข้อมูลจำลองสำหรับภาคธุรกิจ เรียกว่า Synthesis Through Simulation หรือ STS

ปัจจุบันการฝึกฝนและประเมินผลเอเจนต์ที่เรียกใช้เครื่องมือ หรือ Tool-calling agents มักติดปัญหาเรื่องข้อจำกัดทางธุรกิจและกฎหมาย ทำให้ไม่สามารถเข้าถึงระบบ ฐานข้อมูล หรือโครงสร้างฐานข้อมูลขององค์กรจริงได้ แม้แนวทางสร้างข้อมูลตาราง (Tabular data synthesis) จะเป็นทางเลือก แต่มักมีข้อจำกัดด้านความถูกต้องของโครงสร้าง ขณะที่แนวทางอิงกระบวนการ (Procedure-based approaches) มักขาดความสมจริงของการกระจายข้อมูลหากไม่มีการเขียนกฎเฉพาะโดเมน

เพื่อแก้ปัญหานี้ วิธี STS จึงให้เอเจนต์ภาษากลุ่มโมเดลขนาดใหญ่ (LLM agent) สร้างข้อมูลผ่านการปฏิบัติการกับ API ที่ควบคุมด้วยนโยบายความปลอดภัยภายในสภาพแวดล้อมองค์กรจำลอง โดยที่ตัวเอเจนต์เองไม่ต้องเข้าถึงโครงสร้างฐานข้อมูลโดยตรง

จากการรายงานในงานวิจัย ผู้วิจัยระบุว่าโมเดล Generalist Populator สามารถทำคะแนนความสมจริงเฉลี่ยส่วนเพิ่ม (Average marginal fidelity) ได้ 0.88 และผ่านข้อจำกัดครบ 100 เปอร์เซ็นต์ใน 10 สภาพแวดล้อมจำลอง อย่างไรก็ตาม แม้ผู้เขียนจะระบุว่ามีการเปิดเผยเฟรมเวิร์กและชุดข้อมูล แต่ลิงก์โค้ดใน GitHub ที่อ้างอิงไว้ยังคงแสดงผลข้อผิดพลาด 404 ในขณะตรวจสอบ ทำให้ยังไม่สามารถเข้าถึงไฟล์ต้นฉบับได้ในขณะนี้