Cet article présente TAGAL, une nouvelle méthodologie de génération de données tabulaires synthétiques à l'aide de modèles de langage à grande échelle (LLM). TAGAL automatise un processus de rétroaction itératif grâce à un workflow basé sur des agents afin d'améliorer la qualité des données sans formation LLM supplémentaire. Les LLM permettent l'intégration de connaissances externes au processus de génération de données, et nous évaluons les performances de TAGAL sur divers ensembles de données et aspects qualitatifs. Nous analysons l'utilité des modèles ML en aval en entraînant les classificateurs uniquement sur des données synthétiques ou en combinant des données réelles et synthétiques, et comparons la similarité entre les données réelles et générées. Par conséquent, TAGAL affiche des performances comparables à celles des techniques de pointe qui nécessitent une formation LLM et surpasse celles des techniques qui n'en nécessitent pas. Cela souligne le potentiel des workflows basés sur des agents et suggère de nouvelles orientations pour la génération de données basée sur les LLM.
