論文の概要: Automated Machine Learning in the smart construction era:Significance and accessibility for industrial classification and regression tasks

• arxiv url: http://arxiv.org/abs/2308.01517v1
• Date: Thu, 3 Aug 2023 03:17:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 15:30:33.476255
• Title: Automated Machine Learning in the smart construction era:Significance and accessibility for industrial classification and regression tasks
• Title（参考訳）: スマート建設時代の機械学習の自動化:産業分類と回帰作業における意義とアクセシビリティ
• Authors: Rui Zhao, Zhongze Yang, Dong Liang and Fan Xue
• Abstract要約: 本稿では,自動機械学習(AutoML)技術の建築産業への適用について検討する。 AutoMLを利用することで、建設専門家はソフトウェアを使用して産業データをプロジェクト管理を支援するMLモデルに処理できる。
• 参考スコア（独自算出の注目度）: 6.206133097433925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the application of automated machine learning (AutoML) techniques to the construction industry, a sector vital to the global economy. Traditional ML model construction methods were complex, time-consuming, reliant on data science expertise, and expensive. AutoML shows the potential to automate many tasks in ML construction and to create outperformed ML models. This paper aims to verify the feasibility of applying AutoML to industrial datasets for the smart construction domain, with a specific case study demonstrating its effectiveness. Two data challenges that were unique to industrial construction datasets are focused on, in addition to the normal steps of dataset preparation, model training, and evaluation. A real-world application case of construction project type prediction is provided to illustrate the accessibility of AutoML. By leveraging AutoML, construction professionals without data science expertise can now utilize software to process industrial data into ML models that assist in project management. The findings in this paper may bridge the gap between data-intensive smart construction practices and the emerging field of AutoML, encouraging its adoption for improved decision-making, project outcomes, and efficiency
• Abstract（参考訳）: 本稿では,グローバル経済に不可欠な分野である建設産業への自動機械学習(AutoML)技術の適用について検討する。 従来のMLモデルの構築方法は複雑で時間がかかり、データサイエンスの専門知識に依存し、高価であった。 AutoMLは、ML構築において多くのタスクを自動化する可能性を示し、パフォーマンスの良いMLモデルを作成する。 本稿では,AutoMLをスマート構築領域の産業データセットに適用する可能性を検証することを目的としており,その有効性を示す具体的な事例研究を行っている。 産業建設データセットに特有の2つのデータ課題は、データセットの作成、モデルトレーニング、評価の通常のステップに加えて、焦点を当てている。 AutoMLのアクセシビリティを示すために,建設プロジェクト型予測の実例が提供される。 AutoMLを活用することで、データサイエンスの専門知識を持たない建設専門家は、ソフトウェアを使用して産業データをプロジェクト管理を支援するMLモデルに処理できるようになる。 本稿では,データ集約型スマート構築手法とautomlの新興分野とのギャップを橋渡しし,意思決定,プロジェクト成果,効率の向上のためにその採用を奨励する。

関連論文リスト

• 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)
• Automated Machine Learning for Remaining Useful Life Predictions [15.02669353424867]
  本稿では、自動RUL予測のためのAutoML駆動のエンドツーエンドアプローチであるAutoRULを紹介する。 我々はAutoMLが手作りのデータ駆動型RUL予測に代わる実行可能な代替手段であることを示す。
  論文  参考訳（メタデータ） (2023-06-21T12:15:57Z)
• 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)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• 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)
• 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)
• Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
  本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。 以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2021-08-27T09:26:20Z)
• Construction material classification on imbalanced datasets for construction monitoring automation using Vision Transformer (ViT) architecture [0.0]
  建設における自動化のスコープは幅広い段階を含み、建設プロジェクトを監視することは例外ではない。 本稿では,視覚変換器(ViT)と呼ばれる新しいディープラーニングアーキテクチャを用いて,建設材料の検出と分類を行う。 得られた結果から,すべてのパラメータおよび材料カテゴリーで100%の精度が得られた。
  論文  参考訳（メタデータ） (2021-08-21T15:29:56Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。