論文の概要: Requirement Engineering Challenges for AI-intense Systems Development
- arxiv url: http://arxiv.org/abs/2103.10270v1
- Date: Thu, 18 Mar 2021 14:06:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 14:10:47.102609
- Title: Requirement Engineering Challenges for AI-intense Systems Development
- Title(参考訳): 人工知能システム開発に必要なエンジニアリング課題
- Authors: Hans-Martin Heyn, Eric Knauss, Amna Pir Muhammad, Olof Erikssonz,
Jennifer Linder, Padmini Subbiah, Shameer Kumar Pradhan, Sagar Tungal
- Abstract要約: 重要な課題は、複雑なAIインテリジェンスシステムやアプリケーションの振る舞いと品質特性の定義と保証に関係している、と私たちは主張する。
産業、輸送、ホームオートメーションに関連する複雑なAIインテンシングシステムおよびアプリケーションに関連するユースケースから4つの課題領域を導き出します。
これらの課題を解決することは、複雑なAIインテンシングシステムやアプリケーションの開発アプローチに新しい要件エンジニアリング手法を統合するプロセスサポートを暗示します。
- 参考スコア(独自算出の注目度): 1.6563993097383285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Availability of powerful computation and communication technology as well as
advances in artificial intelligence enable a new generation of complex,
AI-intense systems and applications. Such systems and applications promise
exciting improvements on a societal level, yet they also bring with them new
challenges for their development. In this paper we argue that significant
challenges relate to defining and ensuring behaviour and quality attributes of
such systems and applications. We specifically derive four challenge areas from
relevant use cases of complex, AI-intense systems and applications related to
industry, transportation, and home automation: understanding, determining, and
specifying (i) contextual definitions and requirements, (ii) data attributes
and requirements, (iii) performance definition and monitoring, and (iv) the
impact of human factors on system acceptance and success. Solving these
challenges will imply process support that integrates new requirements
engineering methods into development approaches for complex, AI-intense systems
and applications. We present these challenges in detail and propose a research
roadmap.
- Abstract(参考訳): 強力な計算と通信技術の可用性と人工知能の進歩は、新しい世代の複雑なAIインセンスシステムとアプリケーションを可能にする。
このようなシステムとアプリケーションは、社会レベルでエキサイティングな改善を約束しますが、開発に新たな課題も伴います。
本稿では,このようなシステムやアプリケーションの動作や品質特性の定義と保証に関する課題について論じる。
具体的には、複雑なAIシステムと、産業、交通、ホームオートメーションに関連するアプリケーションに関するユースケースから、(i)コンテキスト定義と要件の理解、決定、特定、(ii)データ属性と要件、(iii)パフォーマンス定義と監視、(iv)システムの受け入れと成功に対する人間的要因の影響の4つの課題領域を抽出する。
これらの課題を解決することは、複雑なAIインテリジェンスシステムやアプリケーションの開発アプローチに新しい要求エンジニアリング手法を統合するプロセスサポートを暗示する。
これらの課題を詳述し,研究ロードマップを提案する。
関連論文リスト
- Dealing with Data for RE: Mitigating Challenges while using NLP and
Generative AI [2.9189409618561966]
本章では、ソフトウェア工学全般の進化する展望、特に要件工学(RE)について論じている。
自然言語処理(NLP)と生成AIをエンタープライズクリティカルなソフトウェアシステムに統合する際に生じる課題について論じる。
本は、読者に必要な知識とツールを提供するために、実践的な洞察、解決策、例を提供する。
論文 参考訳(メタデータ) (2024-02-26T19:19:47Z) - A Survey of Generative AI for Intelligent Transportation Systems [9.179995408132333]
我々は、異なる生成AI技術の原則とその潜在的な応用について紹介する。
我々は,知的交通システムにおけるタスクを,交通認識,交通予測,交通シミュレーション,交通意思決定の4つのタイプに分類する。
これらの4種類のタスクにおいて、生成的AI技術が重要な問題にどのように対処するかを説明する。
論文 参考訳(メタデータ) (2023-12-13T16:13:23Z) - Edge AI Inference in Heterogeneous Constrained Computing: Feasibility
and Opportunities [9.156192191794567]
AI推論アクセラレータの急増はイノベーションを示すだけでなく、課題も浮き彫りにしている。
本稿では,ハードウェアの多様性に対応するフレームワークの要件とコンポーネントについて概説する。
次に、デバイスの不均一性がAI推論性能に与える影響を評価し、サービス品質を損なうことなく結果の最適化戦略を特定する。
論文 参考訳(メタデータ) (2023-10-27T16:46:59Z) - Predictable Artificial Intelligence [67.79118050651908]
予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
本稿では,予測可能なAIに関する疑問,仮説,課題を解明することを目的とする。
論文 参考訳(メタデータ) (2023-10-09T21:36:21Z) - Efficient Machine Learning, Compilers, and Optimizations for Embedded
Systems [21.098443474303462]
Deep Neural Networks(DNN)は、高品質なコンピュータビジョン、自然言語処理、仮想現実アプリケーションを提供することによって、膨大な数の人工知能(AI)アプリケーションで大きな成功を収めている。
これらの新興AIアプリケーションは、計算とメモリ要求の増大も伴うため、特に限られた/メモリリソース、厳格な電力予算、小さなフォームファクタが要求される組み込みシステムでは、処理が困難である。
本章では,効率的なアルゴリズム,コンパイラ,組込みシステムに対するさまざまな最適化を実現するための,効率的な設計手法を紹介する。
論文 参考訳(メタデータ) (2022-06-06T02:54:05Z) - Proceedings of the Robust Artificial Intelligence System Assurance
(RAISA) Workshop 2022 [0.0]
RAISAワークショップは、堅牢な人工知能(AI)と機械学習(ML)システムの研究、開発、応用に焦点を当てる。
特定のMLアルゴリズムに関してロバストネスを研究するのではなく、システムアーキテクチャのレベルでロバストネスの保証を検討することを目的としています。
論文 参考訳(メタデータ) (2022-02-10T01:15:50Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳(メタデータ) (2021-05-04T23:42:06Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Qlib: An AI-oriented Quantitative Investment Platform [86.8580406876954]
AI技術は、量的投資システムに新たな課題を提起した。
Qlibは、その可能性の実現、研究の強化、定量的投資におけるAIテクノロジの価値の創造を目的とする。
論文 参考訳(メタデータ) (2020-09-22T12:57:10Z) - 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) - Toward Trustworthy AI Development: Mechanisms for Supporting Verifiable
Claims [59.64274607533249]
AI開発者は、責任を負うことのできる検証可能な主張をする必要がある。
このレポートは、さまざまな利害関係者がAIシステムに関するクレームの妥当性を改善するための様々なステップを示唆している。
我々は、この目的のための10のメカニズム、すなわち、組織、ソフトウェア、ハードウェアを分析し、それらのメカニズムの実装、探索、改善を目的とした推奨を行う。
論文 参考訳(メタデータ) (2020-04-15T17:15:35Z)
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。