«Hvert selskap er bygget rundt en hemmelighet.» — Bryan Catanzaro, VP for anvendt dyplæringsforskning i NVIDIA
Poenget hans, gjengitt i NVIDIAs egen blogg på Hugging Face, er at den hemmeligheten som regel er en arbeidsflyt, et korpus eller et kundemønster konkurrentene ikke har. Den gjør KI-en nyttig, og den er nettopp derfor ingen deler den. Syntetiske data er NVIDIAs forslag til hvordan man kan gi bort signalet uten å gi bort kilden.
Argumentet under lanseringen er at åpne vekter ikke holder for agenter. En agent som kaller verktøy, kjører arbeidsflyter og henter informasjon på tvers av systemer, former oppførselen sin fra data du ikke får se. Reproduserbarhet avhenger da like mye av datasettene, kureringsvalgene og evalueringsmetodene som av vektene.
Det konkrete artefaktet er Nemotron Post-Training v3 Prompt Atlas: et interaktivt kart der hvert punkt er et prompt-eksempel, volum-samplet slik at proporsjonene speiler den faktiske datamiksen. Fargelegg og filtrer etter datasett, pipeline-steg, domene eller verktøybruk. Semantisk like prompts klynger seg sammen, så du kan zoome inn på et område, som kodealgoritmer, sikkerhet, matematikk eller agent-atferd, og lese representative eksempler.
Nemotron-Personas er den andre delen: lokalt forankrede syntetiske personas som ifølge NVIDIA speiler offisiell regional demografi. Begrunnelsen treffer et problem norske byggere kjenner. En toksisitetsklassifikator trent på engelsk internett-tekst bommer på koreansk og japansk, der aggresjon ofte kodes i høflighetsnivå snarere enn i åpenbare gloser. Samme signal, annen kontekst. Samlingen passerte sitt tiende land ved lanseringen på VivaTech i Paris i juni, og dekker etter NVIDIAs egne tall over 2,4 milliarder mennesker.
NVIDIA er ærlig om begrensningen, og det er verdt å notere fra en leverandør som selger GPU-ene dette trenes på. Syntetiske data fjerner ikke behovet for forankring, sporbarhet, kurering, evaluering og menneskelig skjønn. Bloggen foreslår «syntetiske terskler»: punkter der data ikke lenger kan behandles som rene virkelighetsdata. Ekte arbeidsflyter, menneskelig tilbakemelding, modellgenererte spor og syntetiske merkelapper flettes sammen, og svaret er å dokumentere hva som ble generert, hva som ble forankret og hva som ble gjennomgått.
Hva bør du gjøre?
- Åpne Prompt Atlas før du bygger egne eval-sett. Zoom inn på klyngen for agent- og verktøybruk og se hvilke feiltyper som faktisk er dekket i treningsdataene.
- Sjekk om Nemotron-Personas dekker ditt språkområde før du bruker den som stedfortreder for norske brukere. Ti land er ikke alle land.
- Dokumenter hva som er syntetisk i dine egne data, og skill mellom det som er generert, det som er forankret og det som er menneskelig gjennomgått, mens du fortsatt husker forskjellen.