論文の概要: Artificial Intelligence in the Low-Level Realm -- A Survey

• arxiv url: http://arxiv.org/abs/2111.00881v1
• Date: Sun, 19 Sep 2021 19:36:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 07:27:21.413734
• Title: Artificial Intelligence in the Low-Level Realm -- A Survey
• Title（参考訳）: 低レベルの領域における人工知能 -- 調査
• Authors: Vahid Mohammadi Safarzadeh, Hamed Ghasr Loghmani
• Abstract要約: 我々は、OSの主要な責務において、AIアプローチ、特に機械学習を利用する方法と努力を求めます。 言い換えれば、答えるべき主な質問は、従来のOSカーネルのメインタスクを改善する上で、AIがどのように直接的に役割を担ってきたか、という点である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resource-aware machine learning has been a trending topic in recent years, focusing on making ML computational aspects more exploitable by the edge devices in the Internet of Things. This paper attempts to review a conceptually and practically related area concentrated on efforts and challenges for applying ML in the operating systems' main tasks in a low-resource environment. Artificial Intelligence has been integrated into the operating system with applications such as voice or image recognition. However, this integration is only in user space. Here, we seek methods and efforts that exploit AI approaches, specifically machine learning, in the OSes' primary responsibilities. We provide the improvements that ML can bring to OS to make them more trustworthy. In other words, the main question to be answered is how AI has played/can play a role directly in improving the traditional OS kernel main tasks. Also, the challenges and limitations in the way of this combination are provided.
• Abstract（参考訳）: リソースを意識した機械学習は近年トレンドとなり、IoTのエッジデバイスによってML計算の側面をより悪用することに注力している。 本稿では,低リソース環境におけるオペレーティングシステムのメインタスクにMLを適用するための取り組みと課題に焦点を当てた概念的かつ実践的な領域のレビューを試みる。 人工知能は、音声や画像認識などのアプリケーションとオペレーティングシステムに統合されている。 しかし、この統合はユーザー空間にのみ存在する。 ここでは、OSの主要な責務において、AIアプローチ、特に機械学習を活用する方法と取り組みを求める。 MLがOSにもたらす改善により、より信頼できるものになります。 言い換えれば、答えるべき主な質問は、従来のOSカーネルのメインタスクを改善する上で、AIがどのように直接的に役割を担ってきたかである。 また、この組み合わせの方法における課題と制限も提供される。

関連論文リスト

• Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
  近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。 実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。 この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
  論文  参考訳（メタデータ） (2024-10-28T09:34:08Z)
• Operating System And Artificial Intelligence: A Systematic Review [17.256378758253437]
  我々は、AI駆動のツールがOSのパフォーマンス、セキュリティ、効率をいかに向上させるかを検討する一方、OSの進歩はより洗練されたAIアプリケーションを促進する。 メモリ管理やプロセススケジューリング,侵入検出など,OSの機能最適化に使用されるさまざまなAI技術を分析した。 我々はIntelligent OSの有望な展望を探求し、革新的なOSアーキテクチャがいかに画期的な機会の道を開くかだけでなく、AIがこれらの次世代OSの発展にどのように貢献するかについても検討する。
  論文  参考訳（メタデータ） (2024-07-19T05:29:34Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Towards AGI in Computer Vision: Lessons Learned from GPT and Large Language Models [98.72986679502871]
  大規模言語モデル(LLM)を利用したチャットシステムが出現し、人工知能(AGI)を実現するための有望な方向へと急速に成長する しかし、コンピュータビジョン(CV)におけるAGIへの道のりは未だに不明である。 CVアルゴリズムを世界規模で対話可能な環境に配置し、その動作に関する将来のフレームを予測するための事前トレーニングを行い、さまざまなタスクをこなすための命令で微調整するパイプラインを想像する。
  論文  参考訳（メタデータ） (2023-06-14T17:15:01Z)
• MLCopilot: Unleashing the Power of Large Language Models in Solving Machine Learning Tasks [31.733088105662876]
  我々は、新しいフレームワークを導入することで、機械学習と人間の知識のギャップを埋めることを目指している。 本稿では、構造化された入力を理解するためのLLMの能力を拡張し、新しいMLタスクを解くための徹底的な推論を行う可能性を示す。
  論文  参考訳（メタデータ） (2023-04-28T17:03:57Z)
• TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs [71.7495056818522]
  私たちは、基礎モデルと数百万のAPIを結合してタスク補完を行う、新しいAIエコシステムとしてTaskMatrix.AIを紹介します。 このようなエコシステムを構築するためのビジョンを示し、それぞれの重要なコンポーネントを説明し、このビジョンの実現可能性と次に取り組むべき主な課題の両方を説明するために研究ケースを使用します。
  論文  参考訳（メタデータ） (2023-03-29T03:30:38Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• 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)
• 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)
• Quality Management of Machine Learning Systems [0.0]
  機械学習(ML)技術の大きな進歩により、人工知能(AI)は私たちの日常生活の一部になっています。 ビジネス/ミッションクリティカルなシステムでは、AIアプリケーションの信頼性と保守性に関する深刻な懸念が残っている。 本稿では,MLアプリケーションのための総合的な品質管理フレームワークの展望について述べる。
  論文  参考訳（メタデータ） (2020-06-16T21:34:44Z)
• AI from concrete to abstract: demystifying artificial intelligence to the general public [0.0]
  本稿では,コンクリートから抽象的(AIcon2abs)への新たな方法論,AIについて述べる。 主な戦略は、人工知能のデミスティフィケーションを促進することである。 WiSARDの軽量化により、トレーニングタスクと分類タスクの視覚化と理解が容易になる。
  論文  参考訳（メタデータ） (2020-06-07T01:14:06Z)

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。