論文の概要: L'Apprentissage Automatique dans la planification et le contr{\^o}le de
la production : un {\'e}tat de l'art
- arxiv url: http://arxiv.org/abs/2106.12916v1
- Date: Wed, 23 Jun 2021 09:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 15:01:42.173787
- Title: L'Apprentissage Automatique dans la planification et le contr{\^o}le de
la production : un {\'e}tat de l'art
- Title(参考訳): L'Apprentissage Automatique dans la planification et le contr{\^o}le de la production : un {\displaystyle {\'e}tat de l'art
- Authors: Juan Pablo Usuga Cadavid (LAMIH, ENSAM), Samir Lamouri (LAMIH, ENSAM),
Bernard Grabot (LGP, ENIT), Arnaud Fortin
- Abstract要約: 本研究の目的は、生産計画と制御に機械学習を適用するための技術とツールを特定することである。
また、最近の研究論文では、産業4.0(I4.0)の特徴についてもレビューしている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proper Production Planning and Control (PPC) is capital to have an edge over
competitors, reduce costs and respect delivery dates. With regard to PPC,
Machine Learning (ML) provides new opportunities to make intelligent decisions
based on data. Therefore, this communication provides an initial systematic
review of publications on ML applied in PPC. The research objective of this
study is twofold: firstly, it aims to identify techniques and tools allowing to
apply ML in PPC, and secondly, it reviews the characteristics of Industry 4.0
(I4.0) in recent research papers. Concerning the second objective, seven
characteristics of I4.0 are used in the analysis framework, from which two of
them are proposed by the authors. Additionally, the addressed domains of
ML-aided PPC in scientific literature are identified. Finally, results are
analyzed and gaps that may motivate further research are highlighted.
- Abstract(参考訳): PPC(Proper Production Planning and Control)は、競争相手を圧倒し、コストを削減し、納期を尊重する資本である。
PPCに関しては、機械学習(ML)がデータに基づいてインテリジェントな意思決定を行う新たな機会を提供する。
したがって、このコミュニケーションは、PPCに適用されたMLに関する出版物の初期の体系的なレビューを提供する。
本研究の目的は2つある:第1に、PPCにMLを適用可能な技術やツールを特定し、第2に、最近の研究論文における産業4.0(I4.0)の特徴をレビューすることである。
第2の目的について、i4.0の7つの特徴が分析フレームワークで使われ、そのうちの2つは著者によって提案されている。
さらに、科学文献におけるML支援PPCのアドレスドメインを同定した。
最後に、結果は分析され、さらなる研究の動機となるギャップが強調される。
関連論文リスト
- Psychological Assessments with Large Language Models: A Privacy-Focused
and Cost-Effective Approach [0.0]
本研究では,Redditユーザからのテキストコメントの分析にLLM(Large Language Models)を用いることを検討した。
この作業は、ローカルで実行できる“オープンソース”なLLMを使用することで、データのプライバシが向上する。
その単純さにもかかわらず、評価指標は優れた結果を示しており、プライバシーを重視し、コスト効果の高いアプローチである。
論文 参考訳(メタデータ) (2024-02-05T19:00:02Z) - Model-driven Engineering for Machine Learning Components: A Systematic
Literature Review [8.810090413018798]
MDE4ML の使用の背景にある主要な動機を明らかにするため,いくつかの分野の研究を分析した。
また,既存の文献のギャップについても論じ,今後の研究を推奨する。
論文 参考訳(メタデータ) (2023-11-01T04:29:47Z) - The Semantic Scholar Open Data Platform [79.4493235243312]
セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。
我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。
このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
論文 参考訳(メタデータ) (2023-01-24T17:13:08Z) - The Technological Emergence of AutoML: A Survey of Performant Software
and Applications in the Context of Industry [72.10607978091492]
Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。
このレビューは、このトピックに関する知識に2つの主要な貢献をしている。
オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
論文 参考訳(メタデータ) (2022-11-08T10:42:08Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳(メタデータ) (2022-10-02T07:43:26Z) - Analyzing Machine Learning Models for Credit Scoring with Explainable AI
and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。
この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。
LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文 参考訳(メタデータ) (2022-09-19T21:44:42Z) - Interactive Machine Learning: A State of the Art Review [0.0]
対話型機械学習(iML)の現状を包括的に分析する。
敵のブラックボックス攻撃と対応するiMLベースの防衛システム、探索機械学習、リソース制約学習、およびiMLパフォーマンス評価について研究する。
論文 参考訳(メタデータ) (2022-07-13T13:43:16Z) - Information Extraction in Low-Resource Scenarios: Survey and Perspective [60.67550275379953]
情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。
本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
論文 参考訳(メタデータ) (2022-02-16T13:44:00Z) - Application of Artificial Intelligence and Machine Learning in
Libraries: A Systematic Review [0.0]
本研究の目的は,図書館における人工知能と機械学習の適用を探求する実証研究の合成を提供することである。
データはWeb of Science, Scopus, LISA, LISTAデータベースから収集された。
LIS領域に関連するAIとML研究の現在の状況は、主に理論的な研究に焦点が当てられていることを示している。
論文 参考訳(メタデータ) (2021-12-06T07:33:09Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z)
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。