Fugu-MT 論文翻訳(概要): Towards Automating the AI Operations Lifecycle

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

AI-Driven Human-Autonomy Teaming in Tactical Operations: Proposed Framework, Challenges, and Future Directions [10.16399860867284]
人工知能(AI)技術は、人間の意思決定能力を増強することで戦術的操作を変革している。本稿では,AI駆動型人間自律チーム(HAT)を変革的アプローチとして検討する。我々はAI駆動型HATの重要なコンポーネントに対処する包括的フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-28T15:05:16Z)
Explainability Paths for Sustained Artistic Practice with AI [0.0]
本研究は,生成型音声モデルの訓練と実装における研究成果から,説明可能性を向上させるためのいくつかの道を探究する。我々は、トレーニング材料よりも人事機関、小規模データセットの生存可能性、反復的創造プロセスの促進、マッピングツールとしての対話型機械学習の統合を強調した。重要なことは、これらのステップは、モデル推論中だけでなく、モデルのトレーニングフェーズ中だけでなく、トレーニングデータをキュレートおよび前処理する際にも、生成AIシステムよりも人的エージェンシーを強化することを目的としている。
論文参考訳（メタデータ） (2024-07-21T16:48:14Z)
Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
論文参考訳（メタデータ） (2024-07-11T17:31:01Z)
Human-Centered Automation [0.3626013617212666]
この論文は、自動化システムの設計と開発におけるユーザニーズと嗜好を優先するHCA(Human-Centered Automation)の新たな領域について論じている。本稿は、既存の自動化アプローチの限界、AIとRPAの統合の課題、生産性、イノベーション、そしてこれらの技術へのアクセスを民主化するための人間中心の自動化の利点について論じる。
論文参考訳（メタデータ） (2024-05-24T22:12:28Z)
AUTONODE: A Neuro-Graphic Self-Learnable Engine for Cognitive GUI Automation [0.0]
オンラインニューログラフィック操作と深部探索によるユーザインタフェースの自律的変換我々のエンジンはエージェントが複雑に理解し実装し、非並列な効率で動的Web環境に適応することを可能にする。 AUTONODEの汎用性と有効性は一連の実験を通じて実証され、様々なWebベースのタスクを管理する能力を強調している。
論文参考訳（メタデータ） (2024-03-15T10:27:17Z)
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)
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)
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)

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。