論文の概要: AutoDOViz: Human-Centered Automation for Decision Optimization

• arxiv url: http://arxiv.org/abs/2302.09688v1
• Date: Sun, 19 Feb 2023 23:06:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 17:04:05.136299
• Title: AutoDOViz: Human-Centered Automation for Decision Optimization
• Title（参考訳）: AutoDOViz: 意思決定最適化のための人間中心の自動化
• Authors: Daniel Karl I. Weidele, Shazia Afzal, Abel N. Valente, Cole Makuch, Owen Cornec, Long Vu, Dharmashankar Subramanian, Werner Geyer, Rahul Nair, Inge Vejsbjerg, Radu Marinescu, Paulito Palmes, Elizabeth M. Daly, Loraine Franke, Daniel Haehn
• Abstract要約: 本稿では、強化学習(RL)を用いた自動意思決定最適化(AutoDO)のための対話型ユーザインタフェースAutoDOVizを提案する。 我々は,DO実践者とビジネスコンサルタントとの半構造化専門家インタビューから得られた知見を報告する。
• 参考スコア（独自算出の注目度）: 20.114066563594125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present AutoDOViz, an interactive user interface for automated decision optimization (AutoDO) using reinforcement learning (RL). Decision optimization (DO) has classically being practiced by dedicated DO researchers where experts need to spend long periods of time fine tuning a solution through trial-and-error. AutoML pipeline search has sought to make it easier for a data scientist to find the best machine learning pipeline by leveraging automation to search and tune the solution. More recently, these advances have been applied to the domain of AutoDO, with a similar goal to find the best reinforcement learning pipeline through algorithm selection and parameter tuning. However, Decision Optimization requires significantly more complex problem specification when compared to an ML problem. AutoDOViz seeks to lower the barrier of entry for data scientists in problem specification for reinforcement learning problems, leverage the benefits of AutoDO algorithms for RL pipeline search and finally, create visualizations and policy insights in order to facilitate the typical interactive nature when communicating problem formulation and solution proposals between DO experts and domain experts. In this paper, we report our findings from semi-structured expert interviews with DO practitioners as well as business consultants, leading to design requirements for human-centered automation for DO with RL. We evaluate a system implementation with data scientists and find that they are significantly more open to engage in DO after using our proposed solution. AutoDOViz further increases trust in RL agent models and makes the automated training and evaluation process more comprehensible. As shown for other automation in ML tasks, we also conclude automation of RL for DO can benefit from user and vice-versa when the interface promotes human-in-the-loop.
• Abstract（参考訳）: 本稿では、強化学習(RL)を用いた自動意思決定最適化(AutoDO)のための対話型ユーザインタフェースであるAutoDOVizを提案する。 決定最適化(DO)は、専門家が試行錯誤を通じてソリューションを微調整するのに長い時間を要するDO研究者によって古典的に実践されている。 AutoMLパイプライン検索は、ソリューションの検索とチューニングに自動化を活用することで、データサイエンティストが最適な機械学習パイプラインを見つけるのを容易にすることを目指している。 最近では、これらの進歩がAutoDOのドメインに適用され、アルゴリズムの選択とパラメータチューニングを通じて、最高の強化学習パイプラインを見つけることを目標としている。 しかし、決定最適化はML問題と比較してはるかに複雑な問題仕様を必要とする。 AutoDOVizは、強化学習問題のための問題仕様におけるデータサイエンティストの参入障壁を低くし、RLパイプライン探索のためのAutoDOアルゴリズムの利点を活用し、最後に、問題定式化とドメインの専門家とソリューション提案をコミュニケーションする際の典型的なインタラクティブな性質を促進するために、可視化とポリシーの洞察を作成する。 本稿では,DO実践者とビジネスコンサルタントとの半構造化専門家インタビューから得られた知見を報告する。 我々は,データサイエンティストによるシステム実装を評価し,提案するソリューションを用いた場合,その実装がよりオープンであることを確認した。 AutoDOVizはさらにRLエージェントモデルの信頼性を高め、自動トレーニングと評価プロセスをより理解できるようにする。 MLタスクにおける他の自動化について示すように、インターフェイスがヒューマン・イン・ザ・ループを促進する場合、ユーザとリバーサの恩恵を受けることができると結論付けている。

関連論文リスト

• AdaptoML-UX: An Adaptive User-centered GUI-based AutoML Toolkit for Non-AI Experts and HCI Researchers [19.602247178319992]
  AdaptoML-UXは、自動機能エンジニアリング、機械学習、インクリメンタルラーニングを組み込んだアダプティブフレームワークである。 我々のツールキットは、多様な問題領域やデータセットに効率的に適応できることを示します。 インクリメンタルな学習を通じてモデルのパーソナライズをサポートし、個々のユーザの振る舞いに合わせてモデルをカスタマイズする。
  論文  参考訳（メタデータ） (2024-10-22T22:52:14Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
  LLM(Large Language Models)は、人間のような知性を持つ言語である。 本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。 そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
  論文  参考訳（メタデータ） (2023-11-02T14:32:16Z)
• Assessing the Use of AutoML for Data-Driven Software Engineering [10.40771687966477]
  AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。 関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
  論文  参考訳（メタデータ） (2023-07-20T11:14:24Z)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• AutoOED: Automated Optimal Experiment Design Platform [28.343314031971158]
  AutoOED は自動機械学習を搭載した Optimal Experiment Design プラットフォームです。 最先端性能を持つ多目的ベイズ最適化アルゴリズムを複数実装する。 AutoOEDはオープンソースでPythonで書かれている。
  論文  参考訳（メタデータ） (2021-04-13T06:20:54Z)
• AutoML to Date and Beyond: Challenges and Opportunities [30.60364966752454]
  AutoMLツールは、機械学習を非機械学習の専門家が利用できるようにすることを目的としている。 本稿では,AutoMLシステムのための新しい分類システムを提案する。 エンド・ツー・エンドの機械学習パイプラインのさらなる自動化に必要な研究を指摘して、将来のロードマップを策定しました。
  論文  参考訳（メタデータ） (2020-10-21T06:08:21Z)

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。