論文の概要: Manage risks in complex engagements by leveraging organization-wide
knowledge using Machine Learning
- arxiv url: http://arxiv.org/abs/2202.10332v1
- Date: Mon, 21 Feb 2022 16:09:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 09:54:01.218688
- Title: Manage risks in complex engagements by leveraging organization-wide
knowledge using Machine Learning
- Title(参考訳): 機械学習を用いた組織全体の知識を活用した複雑なエンゲージメントにおけるリスク管理
- Authors: Hari Prasad, Akhil Goyal, Shivram Ramasubramanian
- Abstract要約: 大きな組織では、異なるアカウントとビジネスユニットがサイロで機能することが多い。
組織全体に広がる集合的エクスペリエンスへの容易にアクセスによって、プロジェクトチームとビジネスリーダは、積極的に新たなエンゲージメントのリスクを予測し、管理することができます。
本稿では,MLOpsの原則を取り入れた機械学習ベースのソリューションについて述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: One of the ways for organizations to continuously get better at executing
projects is to learn from their past experience. In large organizations, the
different accounts and business units often work in silos and tapping the rich
knowledge base across the organization is easier said than done. With easy
access to the collective experience spread across the organization, project
teams and business leaders can proactively anticipate and manage risks in new
engagements. Early discovery and timely management of risks is key to success
in the complex engagements of today. In this paper, the authors describe a
Machine Learning based solution deployed with MLOps principles to solve this
problem in an efficient manner.
- Abstract(参考訳): 組織がプロジェクトの実行を継続的に改善する方法の1つは、過去の経験から学ぶことです。
大きな組織では、異なるアカウントやビジネスユニットがサイロで働き、組織全体の豊富な知識ベースをタップするのは、言うまでもなく簡単です。
組織全体に広がる集合的エクスペリエンスへの容易にアクセスによって、プロジェクトチームとビジネスリーダは、積極的に新たなエンゲージメントのリスクを予測し、管理することができます。
リスクの早期発見とタイムリーな管理が、今日の複雑なエンゲージメントの成功の鍵である。
本稿では,MLOpsの原則を取り入れた機械学習ベースのソリューションについて述べる。
関連論文リスト
- Empowering Large Language Model Agents through Action Learning [89.07382951897941]
大規模言語モデル(LLM)エージェントは最近ますます関心を集めているが、試行錯誤から学ぶ能力は限られている。
我々は、経験から新しい行動を学ぶ能力は、LLMエージェントの学習の進歩に欠かせないものであると論じる。
我々はPython関数の形式でアクションを作成し改善するための反復学習戦略を備えたフレームワークLearningActを紹介した。
論文 参考訳(メタデータ) (2024-02-24T13:13:04Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳(メタデータ) (2024-02-08T07:18:23Z) - Experiential Co-Learning of Software-Developing Agents [83.85923945385305]
本稿では,実践的コラーニング(Experiential Co-Learning)について紹介する。
このパラダイムは、以前の経験に富んだもので、エージェントに見えないタスクをより効果的に対処させる。
論文 参考訳(メタデータ) (2023-12-28T13:50:42Z) - A Framework for Exploring the Consequences of AI-Mediated Enterprise
Knowledge Access and Identifying Risks to Workers [3.3096209174849824]
本稿では、AIを利用した企業知識アクセスシステムから労働者のリスクを特定するためのConsequence-Mechanism-Riskフレームワークを提案する。
我々は、労働者に対するリスクを詳述した幅広い文献を執筆し、労働者の価値、力、幸福に対するリスクを分類した。
今後の作業は、この枠組みを他の技術システムに適用し、労働者や他のグループの保護を促進する可能性がある。
論文 参考訳(メタデータ) (2023-12-08T17:05:40Z) - A Brief Overview of AI Governance for Responsible Machine Learning
Systems [3.222802562733787]
このポジションペーパーは、AIの責任ある使用を監督するように設計されたフレームワークである、AIガバナンスの簡単な紹介を提案する。
AIの確率的性質のため、それに関連するリスクは従来の技術よりもはるかに大きい。
論文 参考訳(メタデータ) (2022-11-21T23:48:51Z) - You Only Live Once: Single-Life Reinforcement Learning [124.1738675154651]
多くの現実世界の状況では、そのタスクを繰り返し実行できるポリシーを学ぶことではなく、単一のトライアルで1回だけ新しいタスクを成功させることが目的である。
エージェントが介入なしにひとつのエピソード内でタスクを完了しなければならない問題設定を形式化する。
本稿では,分散マッチング戦略を用いたQ$-weighted adversarial Learning (QWALE)を提案する。
論文 参考訳(メタデータ) (2022-10-17T09:00:11Z) - Don't Start From Scratch: Leveraging Prior Data to Automate Robotic
Reinforcement Learning [70.70104870417784]
強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。
現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。
本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
論文 参考訳(メタデータ) (2022-07-11T08:31:22Z) - KnowRU: Knowledge Reusing via Knowledge Distillation in Multi-agent
Reinforcement Learning [16.167201058368303]
深層強化学習(RL)アルゴリズムはマルチエージェント領域において劇的に進歩している。
この問題を解決するには、歴史的経験の効率的な活用が不可欠です。
知識再利用のための「KnowRU」という手法を提案する。
論文 参考訳(メタデータ) (2021-03-27T12:38:01Z) - Assisted Learning: A Framework for Multi-Organization Learning [16.6491720806269]
我々は、組織のアルゴリズム、データ、あるいはタスクを明らかにすることなく、教師付き学習タスクで互いに助け合うための支援学習フレームワークを紹介します。
組織は、タスク固有の統計を放送し、他の人のフィードバックを1つ以上のイテレーションに取り入れ、最終的に予測性能を改善することで支援を求める。
論文 参考訳(メタデータ) (2020-04-01T16:54:49Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳(メタデータ) (2020-03-18T08:45:10Z)
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。