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

• Navigating Knowledge Management Implementation Success in Government Organizations: A type-2 fuzzy approach [0.0]
  本研究は,政府組織における知識管理システムの実現における重要な成功要因と失敗要因を明らかにすることを目的とする。 この研究は、協力、オープンな雰囲気、スタッフのトレーニング、創造性と革新、組織の制約の排除、報酬政策、役割モデリング、フォーカスを含む、政府機関における知識管理システムにおける重要な成功要因を強調している。
  論文  参考訳（メタデータ） (2024-06-18T07:22:32Z)
• Self-Tuning: Instructing LLMs to Effectively Acquire New Knowledge through Self-Teaching [67.11497198002165]
  大きな言語モデル(LLM)は、一度のトレーニングのために最新の情報を提供するのに苦労することが多い。 効率的なヒューマンラーニングにおけるFeynman Techniqueの顕著な成功に感銘を受け、セルフチューニングを紹介した。
  論文  参考訳（メタデータ） (2024-06-10T14:42:20Z)
• Approaching Emergent Risks: An Exploratory Study into Artificial Intelligence Risk Management within Financial Organisations [0.0]
  本研究は,これらの実践の探索的研究を通じて,組織におけるAIリスク管理の理解に寄与することを目的とする。 深い洞察は、英国金融セクター内の異なる組織の9人の実践者へのインタビューを通じて得られる。 本研究の成果は,リスク管理フレームワークの即興性と,プロセスレベルと組織レベルの両方において,リスク管理に対する一般的なアプローチのレベルを明らかにするものである。
  論文  参考訳（メタデータ） (2024-04-08T20:28:22Z)
• Embodied LLM Agents Learn to Cooperate in Organized Teams [46.331162216503344]
  大規模言語モデル(LLM)は、推論、計画、意思決定のための統合的なツールとして登場した。 本稿では,これらの問題を緩和するために,LSMエージェントにプロンプトベースの組織構造を課す枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-19T06:39:47Z)
• 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 [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• 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)
• 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。