Fugu-MT 論文翻訳(概要): AI4OPT: AI Institute for Advances in Optimization

論文の概要: AI4OPT: AI Institute for Advances in Optimization

arxiv url: http://arxiv.org/abs/2307.02671v1
Date: Wed, 5 Jul 2023 22:04:28 GMT
ステータス: 処理完了
システム内更新日: 2023-07-07 15:54:26.708450
Title: AI4OPT: AI Institute for Advances in Optimization
Title（参考訳）: AI4OPT:AI Institute for Advances in Optimization
Authors: Pascal Van Hentenryck, Kevin Dalmeijer
Abstract要約: AI4OPTはAIと最適化を融合させ、サプライチェーン、エネルギーシステム、チップの設計と製造、持続可能な食品システムにおけるエンドユースケースにインスパイアされている。 AI4OPTはまた、工学のためのAIの縦方向の教育経路を提供するために、その「教師を教える」哲学を適用している。
参考スコア（独自算出の注目度）: 19.965556179096385
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This article is a short introduction to AI4OPT, the NSF AI Institute for Advances in Optimization. AI4OPT fuses AI and Optimization, inspired by end-use cases in supply chains, energy systems, chip design and manufacturing, and sustainable food systems. AI4OPT also applies its "teaching the teachers" philosophy to provide longitudinal educational pathways in AI for engineering.
Abstract（参考訳）: この記事は、NSF AI Institute for Advances in OptimizationであるAI4OPTの短い紹介である。 AI4OPTはAIと最適化を融合させ、サプライチェーン、エネルギーシステム、チップの設計と製造、持続可能な食品システムのエンドユースケースにインスパイアされている。 AI4OPTはまた、工学のためのAIの縦方向の教育経路を提供するために、その「教師を教える」哲学を適用している。

関連論文リスト

Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
論文参考訳（メタデータ） (2024-10-25T07:53:32Z)
LLM-based Optimization of Compound AI Systems: A Survey [64.39860384538338]
複合AIシステムでは、LLMコール、レトリバー、コードインタプリタ、ツールなどのコンポーネントが相互接続される。近年の進歩により, LLM を用いたパラメータのエンドツーエンド最適化が可能となった。本稿では,複合AIシステムのLCMに基づく最適化の原理と動向について述べる。
論文参考訳（メタデータ） (2024-10-21T18:06:25Z)
Autonomous Prompt Engineering in Large Language Models [0.0]
本研究は, GPT-4が自律的に迅速な工学的手法を適用可能なAutomatic Prompt Engineering Toolbox(APET)を紹介する。 APETはGPT-4にプロンプトを動的に最適化する権限を与え、Word Sortingのようなタスクを大幅に改善する。この研究はAI開発における大きな飛躍であり、自律型AIシステムにおける将来のイノベーションのための堅牢なフレームワークを提供する。
論文参考訳（メタデータ） (2024-06-25T10:14:44Z)
AI for Open Science: A Multi-Agent Perspective for Ethically Translating Data to Knowledge [4.055489363682199]
我々は,AI4Scienceのマルチエージェント拡張として,AI for Open Science(AI4OS)の概念を紹介した。私たちのゴールは、AI4Science(例えば、自動運転ラボ)の自然な結果が、開発者だけでなく、社会全体の利益であることを保証することです。
論文参考訳（メタデータ） (2023-10-28T23:57:15Z)
Prompt Sapper: LLM-Empowered Software Engineering Infrastructure for AI-Native Services [37.05145017386908]
Prompt SapperはAIチェーンエンジニアリングによるAIネイティブサービスの開発をサポートすることを約束している。それは、人間とAIの協調的なインテリジェンスを通じてAIチェーンをオーサリングするための、ソフトウェアエンジニアリングインフラストラクチャの強化された大きな言語モデル(LLM)を作成する。この記事では、Prompt Sapperの背後にあるR&Dモチベーションと、それに対応するAIチェーンエンジニアリング方法論と技術的なプラクティスを紹介する。
論文参考訳（メタデータ） (2023-06-04T01:47:42Z)
Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。 43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
論文参考訳（メタデータ） (2022-11-12T21:54:05Z)
Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文参考訳（メタデータ） (2022-03-06T10:12:56Z)
Confident AI [0.0]
本稿では,人工知能(AI)と機械学習(ML)システムを,モデル予測と報告結果に対するアルゴリズムとユーザ信頼性の両方で設計する手段として,信頼AIを提案する。 Confident AIの4つの基本原則は、反復性、信頼性、十分性、適応性である。
論文参考訳（メタデータ） (2022-02-12T02:26:46Z)
Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
論文参考訳（メタデータ） (2022-01-26T18:53:09Z)
Conference proceedings KI4Industry AI for SMEs -- the online congress for practical entry into AI for SMEs [0.0]
オンライン会議KI 4 Industryは、中規模の製造業者、中小企業、そして潜在的な応用分野がどこにあるかについて、人工知能がどのような機会を提供するかを示した。 KI 4 産業の主な目的は、知識、研究、技術が大学から中小規模企業へ移行し、AIという言葉をデミステリ化し、企業が自身のバリューチェーンや製品にAIベースのソリューションを使うことを促すことである。
論文参考訳（メタデータ） (2021-06-14T15:08:01Z)
Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文参考訳（メタデータ） (2020-04-27T19:06:28Z)

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。