論文の概要: Towards Automating the AI Operations Lifecycle
- arxiv url: http://arxiv.org/abs/2003.12808v1
- Date: Sat, 28 Mar 2020 15:09:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 00:02:39.342345
- Title: Towards Automating the AI Operations Lifecycle
- Title(参考訳): AIオペレーションライフサイクルの自動化に向けて
- Authors: Matthew Arnold, Jeffrey Boston, Michael Desmond, Evelyn Duesterwald,
Benjamin Elder, Anupama Murthi, Jiri Navratil, Darrell Reimer
- Abstract要約: 我々は,AI操作における自動化のレベル向上に使用可能な,実現可能な一連の技術を提案する。
我々は、パフォーマンス予測と分析のための技術に注目し、典型的なAIオペレーションパイプラインの重要な段階において、自動化を改善するためにそれらをどのように使用できるかを示す。
- 参考スコア(独自算出の注目度): 8.399930047413962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today's AI deployments often require significant human involvement and skill
in the operational stages of the model lifecycle, including pre-release
testing, monitoring, problem diagnosis and model improvements. We present a set
of enabling technologies that can be used to increase the level of automation
in AI operations, thus lowering the human effort required. Since a common
source of human involvement is the need to assess the performance of deployed
models, we focus on technologies for performance prediction and KPI analysis
and show how they can be used to improve automation in the key stages of a
typical AI operations pipeline.
- Abstract(参考訳): 今日のAIデプロイメントは、プレリリーステスト、監視、問題診断、モデル改善など、モデルライフサイクルの運用段階における人的関与とスキルを必要とすることが多い。
我々は、AI操作における自動化のレベルを向上し、必要な人的労力を減らすために使用できる一連の実現技術を提案する。
人間の関与の共通源は、デプロイされたモデルのパフォーマンスを評価する必要があるため、パフォーマンス予測とKPI分析の技術に注目し、典型的なAIオペレーションパイプラインのキーステージにおける自動化の改善にどのように使用できるかを示す。
関連論文リスト
- The Foundations of Computational Management: A Systematic Approach to
Task Automation for the Integration of Artificial Intelligence into Existing
Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。
この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文 参考訳(メタデータ) (2024-02-07T01:45:14Z) - From Detection to Action Recognition: An Edge-Based Pipeline for Robot
Human Perception [5.262840821732319]
サービスロボットは人間の行動や意図を解釈するためにヒューマンアクション認識(HAR)に依存している。
本稿では,人間の検出と追跡から始まり,行動認識に至るプロセス全体を包含するエンドツーエンドパイプラインを提案する。
論文 参考訳(メタデータ) (2023-12-06T13:10:02Z) - Analyze Drivers' Intervention Behavior During Autonomous Driving -- A
VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。
仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。
介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文 参考訳(メタデータ) (2023-12-04T06:36:57Z) - ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
LLM(Large Language Models)は、人間のような知性を持つ言語である。
本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。
そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
論文 参考訳(メタデータ) (2023-11-02T14:32:16Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳(メタデータ) (2023-04-10T15:38:12Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳(メタデータ) (2023-01-08T15:02:38Z) - Don't Start From Scratch: Leveraging Prior Data to Automate Robotic
Reinforcement Learning [70.70104870417784]
強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。
現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。
本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
論文 参考訳(メタデータ) (2022-07-11T08:31:22Z) - Developing and Operating Artificial Intelligence Models in Trustworthy
Autonomous Systems [8.27310353898034]
このワーク・イン・プログレス・ペーパーはAIベースのASの開発と運用のギャップを埋めることを目的としている。
私たちはそれを実践するために、新しく包括的なDevOpsアプローチを提案します。
論文 参考訳(メタデータ) (2020-03-11T17:52:30Z) - Leveraging Rationales to Improve Human Task Performance [15.785125079811902]
計算システムの性能が人間のユーザを上回ることを考えれば、人間のパフォーマンスを改善するために説明可能なAI能力を活用することができるだろうか?
本稿では,ユーティリティベースの計算手法の合理性を自動生成するRationale-Generating Algorithmを紹介する。
以上の結果から,本手法は人事性能の統計的改善につながる有理性を生み出すことが示唆された。
論文 参考訳(メタデータ) (2020-02-11T04:51:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。