論文の概要: Quality4.0 -- Transparent product quality supervision in the age of
Industry 4.0
- arxiv url: http://arxiv.org/abs/2011.06502v1
- Date: Thu, 12 Nov 2020 17:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 07:36:17.801710
- Title: Quality4.0 -- Transparent product quality supervision in the age of
Industry 4.0
- Title(参考訳): 品質4.0 --産業4.0時代の透明製品品質管理
- Authors: Jens Brandenburger, Christoph Schirm, Josef Melcher, Edgar Hancke,
Marco Vannucci, Valentina Colla, Silvia Cateni, Rami Sellami, S\'ebastien
Dupont, Annick Majchrowski, Asier Arteaga
- Abstract要約: 欧州のRFCSプロジェクト「Quality4.0」は、製品の品質に関する決定を公表するアダプティブプラットフォームの開発を目標としている。
このコンテキストでは、マシンラーニングを使用して、品質データ内の外れ値を検出する。
本稿では,この品質情報の水平統合のために開発した中間プロジェクトの結果と概念について論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Progressive digitalization is changing the game of many industrial sectors.
Focus-ing on product quality the main profitability driver of this so-called
Industry 4.0 will be the horizontal integration of information over the
complete supply chain. Therefore, the European RFCS project 'Quality4.0' aims
in developing an adap-tive platform, which releases decisions on product
quality and provides tailored information of high reliability that can be
individually exchanged with customers. In this context Machine Learning will be
used to detect outliers in the quality data. This paper discusses the
intermediate project results and the concepts developed so far for this
horizontal integration of quality information.
- Abstract(参考訳): プログレッシブデジタル化は多くの産業分野のゲームを変えつつある。
製品の品質にフォーカスする このいわゆる業界 4.0の主な収益性要因は、サプライチェーン全体にわたる情報の水平的な統合です。
そのため、欧州のRFCSプロジェクト「Quality4.0」は、製品の品質に関する決定を公表し、顧客と個別に交換できる信頼性の高い情報を調整したアダプティブプラットフォームの開発を目指している。
このコンテキストでは、機械学習を使用して、品質データの異常値を検出する。
本稿では,この品質情報の水平統合に向けた中間プロジェクトの結果と概念について論じる。
関連論文リスト
- Towards Faithful and Robust LLM Specialists for Evidence-Based
Question-Answering [11.398230500227017]
我々は、ソースの品質向上と属性応答性向上のために、LLM(Large Language Models)を頑健に微調整する方法について検討する。
具体的には、自動データ品質フィルタを備えたデータ生成パイプラインを導入し、多様な高品質なトレーニングおよびテストデータを大規模に合成する。
総合評価の結果, 合成データの微調整により, 内分布と外分布の両方の性能が向上することがわかった。
論文 参考訳(メタデータ) (2024-02-13T08:12:48Z) - Selene: Pioneering Automated Proof in Software Verification [69.7891799471749]
我々は,seL4オペレーティングシステムマイクロカーネルの実際の産業レベルのプロジェクトに基づいて構築された,最初のプロジェクトレベルの自動証明ベンチマークであるSeleneを紹介する。
GPT-3.5-turbo や GPT-4 のような先進的な LLM による実験結果は,自動証明生成領域における大規模言語モデル (LLM) の機能を強調した。
論文 参考訳(メタデータ) (2024-01-15T13:08:38Z) - Classification of retail products: From probabilistic ranking to neural
networks [0.0]
本稿では,常に変化する食品カタログを自動的に3段階の食品分類に分類する手法を提案する。
本稿では,スコアベースランキング法,従来の機械学習アルゴリズム,ディープニューラルネットワークの3つのアプローチについて検討する。
論文 参考訳(メタデータ) (2023-12-12T18:11:15Z) - REEF: A Framework for Collecting Real-World Vulnerabilities and Fixes [40.401211102969356]
本稿では,REal-world vulnErabilities and Fixesをオープンソースリポジトリから収集するための自動収集フレームワークREEFを提案する。
脆弱性とその修正を収集する多言語クローラを開発し、高品質な脆弱性修正ペアをフィルタするためのメトリクスを設計する。
大規模な実験を通じて,我々の手法が高品質な脆弱性修正ペアを収集し,強力な説明を得られることを示す。
論文 参考訳(メタデータ) (2023-09-15T02:50:08Z) - ECS -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
データ品質の保証のための新しいアプローチを提案する。
この目的のために、まず数学的基礎を議論し、そのアプローチを複数の例を用いて提示する。
これにより、安全クリティカルなシステムにおいて、潜在的に有害な特性を持つデータポイントが検出される。
論文 参考訳(メタデータ) (2023-07-10T06:49:18Z) - QI2 -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
欧州委員会による計画されたAI法では、データ品質に関する法的要件が規定されている。
複数のデータ品質面におけるデータ品質保証プロセスをサポートする新しいアプローチを導入する。
論文 参考訳(メタデータ) (2023-07-07T07:06:38Z) - Learning to Diversify for Product Question Generation [68.69526529887607]
本稿では,T5の事前学習型トランスフォーマー・デコーダモデルについて述べる。
本稿では,トランスフォーマーモデルによって学習された言語を豊かにするための,新たな学習・多様化(LTD)手法を提案する。
論文 参考訳(メタデータ) (2022-07-06T09:26:41Z) - Leveraging Centric Data Federated Learning Using Blockchain For
Integrity Assurance [14.347917009290814]
パブリックブロックチェーンとスマートコントラクトが活用する,データ中心のフェデレーション学習アーキテクチャを提案する。
提案したソリューションは、開発者、データサイエンティスト、AIエンジニアがモデルを公開可能な仮想公開市場を提供する。
データコントリビューションと検証に対してコントリビュータに報酬を与えるインセンティブメカニズムを通じて、データ品質と整合性を高めます。
論文 参考訳(メタデータ) (2022-06-09T19:06:05Z) - Data Heterogeneity-Robust Federated Learning via Group Client Selection
in Industrial IoT [57.67687126339891]
FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。
自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。
実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
論文 参考訳(メタデータ) (2022-02-03T10:48:17Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳(メタデータ) (2021-03-08T10:56:38Z)
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。