論文の概要: A Survey on Proactive Customer Care: Enabling Science and Steps to
Realize it
- arxiv url: http://arxiv.org/abs/2110.05015v1
- Date: Mon, 11 Oct 2021 05:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:57:27.365366
- Title: A Survey on Proactive Customer Care: Enabling Science and Steps to
Realize it
- Title(参考訳): 積極的顧客ケアに関する調査:科学と実現に向けての歩み
- Authors: Viswanath Ganapathy, Sauptik Dhar, Olimpiya Saha, Pelin Kurt
Garberson, Javad Heydari and Mohak Shah
- Abstract要約: 我々は、AI駆動の予測メンテナンスユースケースを実現するために必要な、さまざまなビルディングブロックを分析した。
私たちの調査は、予測メンテナンスのユースケースをうまく設計するために必要なテンプレートとして機能します。
- 参考スコア(独自算出の注目度): 10.85017740334476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent times, advances in artificial intelligence (AI) and IoT have
enabled seamless and viable maintenance of appliances in home and building
environments. Several studies have shown that AI has the potential to provide
personalized customer support which could predict and avoid errors more
reliably than ever before. In this paper, we have analyzed the various building
blocks needed to enable a successful AI-driven predictive maintenance use-case.
Unlike, existing surveys which mostly provide a deep dive into the recent AI
algorithms for Predictive Maintenance (PdM), our survey provides the complete
view; starting from business impact to recent technology advancements in
algorithms as well as systems research and model deployment. Furthermore, we
provide exemplar use-cases on predictive maintenance of appliances using
publicly available data sets. Our survey can serve as a template needed to
design a successful predictive maintenance use-case. Finally, we touch upon
existing public data sources and provide a step-wise breakdown of an AI-driven
proactive customer care (PCC) use-case, starting from generic anomaly detection
to fault prediction and finally root-cause analysis. We highlight how such a
step-wise approach can be advantageous for accurate model building and helpful
for gaining insights into predictive maintenance of electromechanical
appliances.
- Abstract(参考訳): 近年、人工知能(AI)とIoTの進歩は、家庭や建築環境における家電のシームレスで実行可能なメンテナンスを可能にしている。
いくつかの研究によれば、aiはパーソナライズされたカスタマーサポートを提供する可能性があり、これまで以上にエラーを予測し、避けることができる。
本稿では,AIによる予測保守を成功させるために必要なビルディングブロックについて分析した。
私たちの調査は、ビジネスへの影響からアルゴリズムの最近の技術進歩、システム研究やモデル展開に至るまで、最新のAIアルゴリズムの予測保守(PdM)に関する詳細な調査を主に提供する既存の調査とは違って、完全なビューを提供します。
さらに,一般のデータセットを用いた家電製品の予測保守に関する例示的ユースケースを提供する。
私たちの調査は、予測メンテナンスのユースケースをうまく設計するために必要なテンプレートとして機能します。
最後に、既存の公開データソースに触れ、汎用的な異常検出から障害予測、最終的に根本原因分析に至るまで、AI駆動の積極的顧客ケア(PCC)のユースケースを段階的に分析する。
このようなステップワイズアプローチが正確なモデル構築にどう役立つかを強調し、電気機械機器の予測保守に関する洞察を得るのに役立ちます。
関連論文リスト
- Quantitative Assurance and Synthesis of Controllers from Activity
Diagrams [4.419843514606336]
確率的モデル検査は、定性的および定量的な性質を自動検証するために広く用いられている形式的検証手法である。
これにより、必要な知識を持っていない研究者やエンジニアにはアクセスできない。
本稿では,確率時間の新しいプロファイル,品質アノテーション,3つのマルコフモデルにおけるADの意味論的解釈,アクティビティ図からPRISM言語への変換ルールのセットなど,ADの総合的な検証フレームワークを提案する。
最も重要なことは、モデルをベースとした手法を用いて、完全自動検証のための変換アルゴリズムを開発し、QASCADと呼ばれるツールで実装したことです。
論文 参考訳(メタデータ) (2024-02-29T22:40:39Z) - Explainable Predictive Maintenance: A Survey of Current Methods,
Challenges and Opportunities [2.913761513290171]
システムとハードウェアのメンテナは、アップキープの金銭的および時間的コストを削減できる。
このことは、予測システムに説明可能性と解釈可能性を導入するために、説明可能なAI(XAI)の分野を惹きつける。
XAIは、優れたシステムを維持しながら、ユーザの信頼を増幅できる予測保守の分野にメソッドをもたらす。
論文 参考訳(メタデータ) (2024-01-15T18:06:59Z) - 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) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - A Prescriptive Learning Analytics Framework: Beyond Predictive Modelling
and onto Explainable AI with Prescriptive Analytics and ChatGPT [0.0]
本研究では、透過的な機械学習と、規範的分析を可能にする技術の両方を統合する新しいフレームワークを提案する。
本研究は,プログラムノンコンプリートにおけるリスク学習者を特定するために,予測モデルを用いて提案手法を実証するものである。
論文 参考訳(メタデータ) (2022-08-31T00:57:17Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - 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) - Using Personality Detection Tools for Software Engineering Research: How
Far Can We Go? [12.56413718364189]
自己評価アンケートは、大規模に複数の観察を収集するための実践的な解決策ではない。
非技術的コーパスでトレーニングされたオフザシェルフソリューションは、ソフトウェア工学のような技術的な領域では、容易には適用できないかもしれない。
論文 参考訳(メタデータ) (2021-10-11T07:02:34Z) - How Can Subgroup Discovery Help AIOps? [0.0]
サブグループディスカバリがAIOpsにどのように役立つかを研究する。
このプロジェクトには、フランスのソフトウェアエディタであるInfologicalのデータマイニングの研究者と実践者の両方が含まれる。
論文 参考訳(メタデータ) (2021-09-10T14:41:02Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-07-07T10:00:32Z)
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。