論文の概要: The Principles of Data-Centric AI (DCAI)
- arxiv url: http://arxiv.org/abs/2211.14611v1
- Date: Sat, 26 Nov 2022 16:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 16:52:35.384086
- Title: The Principles of Data-Centric AI (DCAI)
- Title(参考訳): データ中心型AI(DCAI)の原理
- Authors: Mohammad Hossein Jarrahi, Ali Memariani, Shion Guha
- Abstract要約: 新たな概念としてのデータ中心型AI(DCAI)は、データ、その品質、ダイナミズムを最前線にもたらす。
この記事では、DCAIの基礎を概説するために、データ中心の視点と概念をまとめます。
- 参考スコア(独自算出の注目度): 3.686886131767452
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data is a crucial infrastructure to how artificial intelligence (AI) systems
learn. However, these systems to date have been largely model-centric, putting
a premium on the model at the expense of the data quality. Data quality issues
beset the performance of AI systems, particularly in downstream deployments and
in real-world applications. Data-centric AI (DCAI) as an emerging concept
brings data, its quality and its dynamism to the forefront in considerations of
AI systems through an iterative and systematic approach. As one of the first
overviews, this article brings together data-centric perspectives and concepts
to outline the foundations of DCAI. It specifically formulates six guiding
principles for researchers and practitioners and gives direction for future
advancement of DCAI.
- Abstract(参考訳): 人工知能(AI)システムが学習する上で、データは重要な基盤である。
しかしながら、これらのシステムは、主にモデル中心であり、データ品質を犠牲にして、モデルにプレミアムを課している。
データ品質の問題は、特に下流のデプロイメントや現実世界のアプリケーションにおいて、AIシステムのパフォーマンスを低下させる。
新たな概念としてのデータ中心型AI(DCAI)は、反復的かつ体系的なアプローチを通じて、AIシステムを考慮したデータ、その品質、ダイナミズムを最前線にもたらす。
最初の概要の1つとして、本記事ではデータ中心の視点と概念をまとめて、DCAIの基礎を概説する。
具体的には、研究者と実践者のための6つの指針原則を定式化し、DCAIの今後の進歩の方向性を示す。
関連論文リスト
- Data Issues in Industrial AI System: A Meta-Review and Research Strategy [10.540603300770885]
人工知能(AI)は、産業システムにおいてますます重要な役割を担っている。
近年、さまざまな業界でAIを採用する傾向にあるが、実際のAIの採用は認識されるほど発展していない。
これらのデータ問題にどのように対処するかは、業界と学術の両方に直面する重要な懸念事項である。
論文 参考訳(メタデータ) (2024-06-22T08:36:59Z) - NeurDB: An AI-powered Autonomous Data System [44.14807794638682]
我々は、主要なシステムコンポーネントにAI設計を完全に取り入れるように設計されたAI駆動の自律データシステムであるNeurDBを提示する。
我々はNeurDBの概念的およびアーキテクチャ的概要を概説し、その設計選択と重要なコンポーネントについて議論し、その現況と今後の計画について報告する。
論文 参考訳(メタデータ) (2024-05-07T00:51:48Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳(メタデータ) (2023-12-06T10:46:53Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳(メタデータ) (2023-03-17T17:44:56Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳(メタデータ) (2023-02-13T16:44:44Z) - Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。
データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文 参考訳(メタデータ) (2023-01-12T05:28:59Z) - Data-Centric Artificial Intelligence [2.5874041837241304]
データ中心の人工知能(データ中心のAI)は、効率的で効率的なAIベースのシステムを構築する上で、データの体系的な設計とエンジニアリングが不可欠であることを強調する新しいパラダイムである。
関連する用語を定義し、データ中心のパラダイムとモデル中心のパラダイムを対比するための重要な特徴を提供し、データ中心のAIのためのフレームワークを導入します。
論文 参考訳(メタデータ) (2022-12-22T16:41:03Z) - DC-Check: A Data-Centric AI checklist to guide the development of
reliable machine learning systems [81.21462458089142]
データ中心のAIは、信頼できるエンドツーエンドパイプラインを可能にする統一パラダイムとして登場しています。
データ中心の考慮事項を抽出する実行可能なチェックリストスタイルのフレームワークであるDC-Checkを提案する。
この開発におけるデータ中心のレンズは、システム開発に先立って思考力と透明性を促進することを目的としている。
論文 参考訳(メタデータ) (2022-11-09T17:32:09Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳(メタデータ) (2020-07-07T08:34:48Z)
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。