Fugu-MT 論文翻訳(概要): Explainable AI for Software Engineering

論文の概要: Explainable AI for Software Engineering

arxiv url: http://arxiv.org/abs/2012.01614v1
Date: Thu, 3 Dec 2020 00:42:29 GMT
ステータス: 処理完了
システム内更新日: 2021-05-24 04:48:00.232080
Title: Explainable AI for Software Engineering
Title（参考訳）: ソフトウェアエンジニアリングのための説明可能なAI
Authors: Chakkrit Tantithamthavorn, Jirayus Jiarpakdee, John Grundy
Abstract要約: まず、ソフトウェアエンジニアリングにおける説明可能なAIの必要性を強調します。次に、上記の課題に対処するために、説明可能なAI技術をどのように利用できるか、という3つのケーススタディを要約する。
参考スコア（独自算出の注目度）: 12.552048647904591
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial Intelligence/Machine Learning techniques have been widely used in software engineering to improve developer productivity, the quality of software systems, and decision-making. However, such AI/ML models for software engineering are still impractical, not explainable, and not actionable. These concerns often hinder the adoption of AI/ML models in software engineering practices. In this article, we first highlight the need for explainable AI in software engineering. Then, we summarize three successful case studies on how explainable AI techniques can be used to address the aforementioned challenges by making software defect prediction models more practical, explainable, and actionable.
Abstract（参考訳）: 人工知能/機械学習技術は、ソフトウェア開発において開発者の生産性、ソフトウェアシステムの品質、意思決定を改善するために広く使われている。しかし、ソフトウェアエンジニアリングのためのこのようなAI/MLモデルは、まだ実用的ではなく、説明不能であり、実行不可能である。これらの懸念はしばしば、ソフトウェアエンジニアリングプラクティスにおけるAI/MLモデルの採用を妨げる。この記事では、ソフトウェア工学における説明可能なAIの必要性を強調します。次に、ソフトウェア欠陥予測モデルをより実用的、説明可能、かつ実行可能なものにすることで、上記の課題に対処するために、説明可能なai技術をどのように利用できるかに関する3つのケーススタディを要約する。

関連論文リスト

Adaptation of XAI to Auto-tuning for Numerical Libraries [0.0]
説明可能なAI(XAI)技術は、AIモデル開発の合理化と、ユーザへのAI出力の説明の負担軽減を目的として、注目を集めている。本研究は,2つの異なるプロセスに統合されたAIモデルのXAIに着目し,数値計算を行う。
論文参考訳（メタデータ） (2024-05-12T09:00:56Z)
AI in Software Engineering: A Survey on Project Management Applications [3.156791351998142]
機械学習(ML)はデータセットでトレーニングを行うアルゴリズムを採用しており、特定のタスクを自律的に実行することができる。 AIは、特にプロジェクト管理と計画において、ソフトウェアエンジニアリングの分野で大きな可能性を秘めている。
論文参考訳（メタデータ） (2023-07-27T23:02:24Z)
AI Safety Subproblems for Software Engineering Researchers [20.606264558332498]
我々は、長期的なAI安全性と、システムが人間の能力を満たしたり超えたりする際に、AIからの害を避けるという課題を簡潔に要約する。ソフトウェアが機能向上とともにどのように変化するのかを推測し、従来のSE領域に適合する"サブプロブレム"を分類します。
論文参考訳（メタデータ） (2023-04-28T02:37:40Z)
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)
Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。 43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
論文参考訳（メタデータ） (2022-11-12T21:54:05Z)
Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文参考訳（メタデータ） (2022-03-06T10:12:56Z)
Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。モデル信号認識における最大4.8倍の改善を実現している。
論文参考訳（メタデータ） (2021-11-10T17:58:18Z)
The application of artificial intelligence in software engineering: a review challenging conventional wisdom [0.9651131604396904]
この調査章は、ソフトウェア工学に適用されるAIの最も一般的な方法のレビューである。このレビューでは、1975年から2017年にかけての要件フェーズについて、46の主要なAI駆動手法が発見されている。この章の目的は、以下の質問に答えることである。
論文参考訳（メタデータ） (2021-08-03T15:59:59Z)
Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文参考訳（メタデータ） (2020-06-21T17:14:34Z)
Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文参考訳（メタデータ） (2020-05-27T11:56:56Z)

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。