論文の概要: Cloud computing as a platform for monetizing data services: A two-sided
game business model
- arxiv url: http://arxiv.org/abs/2104.12762v1
- Date: Mon, 26 Apr 2021 17:54:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 16:40:09.266886
- Title: Cloud computing as a platform for monetizing data services: A two-sided
game business model
- Title（参考訳）: データサービスの収益化プラットフォームとしてのクラウドコンピューティング: 双方向ゲームビジネスモデル
- Authors: Ahmed Saleh Bataineh, Jamal Bentahar, Rabeb Mizouni, Omar Abdel Wahab,
Gaith Rjoub, May El Barachi
- Abstract要約: クラウドの役割は、人工知能(AI)サービスを通じてビッグデータを収益化するためのアクティブなプラットフォームとして再形成されるべきである、と私たちは主張する。
本稿では,協調戦略と競争戦略を組み合わせたゲーム理論モデルを提案する。
- 参考スコア（独自算出の注目度）: 8.63092885104136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the unprecedented reliance on cloud computing as the backbone for
storing today's big data, we argue in this paper that the role of the cloud
should be reshaped from being a passive virtual market to become an active
platform for monetizing the big data through Artificial Intelligence (AI)
services. The objective is to enable the cloud to be an active platform that
can help big data service providers reach a wider set of customers and cloud
users (i.e., data consumers) to be exposed to a larger and richer variety of
data to run their data analytic tasks. To achieve this vision, we propose a
novel game theoretical model, which consists of a mix of cooperative and
competitive strategies. The players of the game are the big data service
providers, cloud computing platform, and cloud users. The strategies of the
players are modeled using the two-sided market theory that takes into
consideration the network effects among involved parties, while integrating the
externalities between the cloud resources and consumer demands into the design
of the game. Simulations conducted using Amazon and google clustered data show
that the proposed model improves the total surplus of all the involved parties
in terms of cloud resources provision and monetary profits compared to the
current merchant model.
- Abstract（参考訳）: 今日のビッグデータを保存するバックボーンとしてクラウドコンピューティングに前例のない依存があるので、この論文では、クラウドの役割は受動的仮想市場から、人工知能(AI)サービスを通じてビッグデータを収益化するためのアクティブなプラットフォームへと再形成されるべきである、と論じます。
目標は、ビッグデータサービスプロバイダがより広い範囲の顧客とクラウドユーザ(すなわちデータコンシューマ)にリーチし、より大きな、よりリッチなさまざまなデータを公開して、データ分析タスクを実行するための、アクティブなプラットフォームになることである。
そこで本研究では,協調戦略と競争戦略を組み合わせた新しいゲーム理論モデルを提案する。
このゲームのプレイヤーは、ビッグデータサービスプロバイダ、クラウドコンピューティングプラットフォーム、およびクラウドユーザである。
プレイヤーの戦略は、関係者間のネットワーク効果を考慮した双方向市場理論を用いてモデル化され、一方で、クラウドリソースとコンシューマー要求の外部性をゲームの設計に統合する。
amazon と google のクラスタデータを用いたシミュレーションでは,提案モデルが,クラウドリソースの供給と金銭的利益という面で,現行のマーチャントモデルと比較して,関係者全員の合計余剰を改善できることが示されている。
関連論文リスト
- End-Cloud Collaboration Framework for Advanced AI Customer Service in E-commerce [10.443070269390871]
近年、eコマース業界は、高度なAI駆動のカスタマーサービスソリューションに対する需要が急増している。
従来のクラウドベースのモデルは、レイテンシ、パーソナライズされたサービス、プライバシの懸念といった面で制限に直面しています。
我々は,eコマースにおける高度なAIカスタマーサービスのための革新的なエンドクラウドコラボレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-20T13:46:54Z) - Computing in the Era of Large Generative Models: From Cloud-Native to
AI-Native [46.7766555589807]
クラウドネイティブ技術と高度な機械学習推論の両方のパワーを利用するAIネイティブコンピューティングパラダイムについて説明する。
これらの共同作業は、コスト・オブ・グッド・ソード(COGS)を最適化し、資源のアクセシビリティを向上させることを目的としている。
論文 参考訳（メタデータ） (2024-01-17T20:34:11Z) - PredictChain: Empowering Collaboration and Data Accessibility for AI in
a Decentralized Blockchain-based Marketplace [1.4364491422470593]
予測機械学習モデルのためのブロックチェーンベースのマーケットプレース"PredictChain"を提案する。
このマーケットプレースは、予測機械学習モデルをトレーニングするためのデータセットのアップロード、以前にアップロードされたデータセットの要求モデルトレーニング、トレーニングされたモデルへのクエリの提出を可能にする。
論文 参考訳（メタデータ） (2023-07-27T19:56:18Z) - How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。
スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
論文 参考訳（メタデータ） (2023-06-05T18:17:37Z) - CWD: A Machine Learning based Approach to Detect Unknown Cloud Workloads [3.523208537466129]
我々は、クラウド環境で実行されるワークロードを特徴付け、プロファイルし、予測する機械学習ベースの技術を開発した。
また,モデルの性能をスタンドアローンで解析する手法も開発している。
論文 参考訳（メタデータ） (2022-11-28T19:41:56Z) - Outsourcing Training without Uploading Data via Efficient Collaborative
Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。
我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。
我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文 参考訳（メタデータ） (2022-10-23T00:12:18Z) - Belief-Desire-Intention (BDI) Multi-agent System for Cloud Marketplace
Negotiation [0.0]
本稿では,クラウドリソースを対象としたBDI(Belief-Desire-Intention)マルチエージェントベースのクラウドマーケットプレースシステムを提案する。
クラウドマーケットプレースシステムの各パーティは、リソースの自動購入と販売を容易にするための、自律的な意思決定と交渉のためのBDIエージェントをサポートしている。
論文 参考訳（メタデータ） (2022-06-16T22:36:45Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - Device-Cloud Collaborative Learning for Recommendation [50.01289274123047]
集中型クラウドモデルにより「数千人のモデルを持つ何千人もの人」を効率的に実現する新しいMetaPatch学習手法をデバイス側で提案します。
数十億の更新されたパーソナライズされたデバイスモデルにより、集中型クラウドモデルを更新する"モデルオーバーモデル"蒸留アルゴリズム、すなわちMoMoDistillを提案する。
論文 参考訳（メタデータ） (2021-04-14T05:06:59Z)
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。