論文の概要: A Reference Model for Common Understanding of Capabilities and Skills in
Manufacturing
- arxiv url: http://arxiv.org/abs/2209.09632v1
- Date: Thu, 15 Sep 2022 20:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:23:19.726398
- Title: A Reference Model for Common Understanding of Capabilities and Skills in
Manufacturing
- Title(参考訳): 生産における能力と技能の共通理解のための参照モデル
- Authors: Aljosha K\"ocher, Alexander Belyaev, Jesko Hermann, J\"urgen Bock,
Kristof Meixner, Magnus Volkmann, Michael Winter, Patrick Zimmermann, Stephan
Grimm, and Christian Diedrich
- Abstract要約: 製造業では、Industrial 4.0の多くのユースケースはベンダーニュートラルおよびマシン可読情報モデルを必要とする。
本稿では,Plattform Industrie 4.0のワーキンググループにおいて,様々な組織のメンバーが共同で開発したリファレンスモデルを提案する。
- 参考スコア(独自算出の注目度): 46.118331027975366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In manufacturing, many use cases of Industry 4.0 require vendor-neutral and
machine-readable information models to describe, implement and execute resource
functions. Such models have been researched under the terms capabilities and
skills. Standardization of such models is required, but currently not
available. This paper presents a reference model developed jointly by members
of various organizations in a working group of the Plattform Industrie 4.0.
This model covers definitions of most important aspects of capabilities and
skills. It can be seen as a basis for further standardization efforts.
- Abstract(参考訳): 製造において、Industrial 4.0の多くのユースケースは、リソース機能を記述、実装、実行するためにベンダーニュートラルおよびマシン可読な情報モデルを必要とする。
このようなモデルは、能力と技術によって研究されている。
このようなモデルの標準化は必要だが、現在は利用できない。
本稿では,Plattform Industrie 4.0のワーキンググループにおいて,様々な組織のメンバーが共同で開発したリファレンスモデルを提案する。
このモデルは能力とスキルの最も重要な側面を定義します。
これはさらなる標準化努力の基盤と見なすことができる。
関連論文リスト
- Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。
LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。
本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
論文 参考訳(メタデータ) (2023-10-12T10:20:36Z) - Language Models as a Service: Overview of a New Paradigm and its
Challenges [47.75762014254756]
現在最も強力な言語モデルはプロプライエタリなシステムであり、(典型的には制限のある)Webやプログラミングでのみアクセス可能である。
本稿では,LMインタフェースのアクセシビリティ,複製性,信頼性,信頼性の障害となる課題について述べる。
一方で、現在のメジャーなLMに関する既存の知識の総合的なリソースとして機能し、インターフェースが提供するライセンスと機能の概要を総合的に提供する。
論文 参考訳(メタデータ) (2023-09-28T16:29:52Z) - Generative AI for Business Strategy: Using Foundation Models to Create
Business Strategy Tools [0.7784248206747153]
ビジネス意思決定における基礎モデルの利用を提案する。
私たちは、署名されたビジネスネットワークの出現という形で、ITアーティファクトを導き出します。
このようなアーティファクトは、市場の状態と自身のポジションについて、ビジネスステークホルダーに通知することができる。
論文 参考訳(メタデータ) (2023-08-27T19:03:12Z) - The Costly Dilemma: Generalization, Evaluation and Cost-Optimal
Deployment of Large Language Models [0.22499166814992438]
本稿では,大規模言語モデルに適した一般化,評価,コストモデリングのためのフレームワークを提案する。
これらの大きな言語モデルの開発、デプロイメント、管理の複雑さに関する洞察を提供する。
論文 参考訳(メタデータ) (2023-08-15T22:26:58Z) - Minimal Value-Equivalent Partial Models for Scalable and Robust Planning
in Lifelong Reinforcement Learning [56.50123642237106]
モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。
このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。
我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
論文 参考訳(メタデータ) (2023-01-24T16:40:01Z) - Foundation models in brief: A historical, socio-technical focus [2.5991265608180396]
ディープラーニングをスケールアップすることで、将来のAI開発には、ファンデーションモデルが破壊的になる可能性がある。
モデルは自然言語処理やコンピュータビジョンといった分野における様々なタスクにおいて最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-12-17T22:11:33Z) - Learnware: Small Models Do Big [69.88234743773113]
自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。
この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
論文 参考訳(メタデータ) (2022-10-07T15:55:52Z) - Concept for a Technical Infrastructure for Management of Predictive
Models in Industrial Applications [0.0]
モデル管理システムの技術的概念について述べる。
このコンセプトには、データのバージョニングストレージ、さまざまな機械学習アルゴリズムのサポート、モデルの微調整、その後のモデルのデプロイ、デプロイ後のモデルパフォーマンスの監視が含まれる。
論文 参考訳(メタデータ) (2021-07-29T08:38:46Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳(メタデータ) (2020-05-08T21:03:48Z) - Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。
アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。
デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文 参考訳(メタデータ) (2020-01-20T15:15:07Z)
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。