본 논문은 대규모 언어 모델(LLM)을 활용하여 합성 표 형식 데이터를 생성하는 새로운 방법론인 TAGAL을 제시합니다. TAGAL은 에이전트 기반 워크플로우를 통해 반복적인 피드백 과정을 자동화하여 추가적인 LLM 훈련 없이 데이터 품질을 향상시킵니다. LLM 활용을 통해 외부 지식을 생성 과정에 통합할 수 있으며, 다양한 데이터셋과 품질 측면에서 TAGAL의 성능을 평가합니다. 합성 데이터만으로 분류기를 훈련하거나 실제 데이터와 합성 데이터를 결합하는 방식으로 하류 ML 모델의 유용성을 분석하고, 실제 데이터와 생성된 데이터 간의 유사성을 비교합니다. 결과적으로 TAGAL은 LLM 훈련이 필요한 최첨단 기법들과 동등한 성능을 보이며, 훈련이 필요 없는 다른 기법들보다 우수한 성능을 나타냅니다. 이를 통해 에이전트 기반 워크플로우의 잠재력을 강조하고 LLM 기반 데이터 생성 방법에 대한 새로운 방향을 제시합니다.
