論文の概要: Data-Driven Risk Modeling for Infrastructure Projects Using Artificial Intelligence Techniques

• arxiv url: http://arxiv.org/abs/2311.14203v1
• Date: Thu, 23 Nov 2023 21:02:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 16:12:31.407192
• Title: Data-Driven Risk Modeling for Infrastructure Projects Using Artificial Intelligence Techniques
• Title（参考訳）: 人工知能を用いたインフラプロジェクトのデータ駆動リスクモデリング
• Authors: Abdolmajid Erfani
• Abstract要約: 本研究では,リスクを自動的に識別するデータ駆動型フレームワークを導入し,早期リスクレジスタの品質とリスク評価について検討する。 アメリカの主要交通計画70以上のリスクレジスターが入力データセットを構成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Managing project risk is a key part of the successful implementation of any large project and is widely recognized as a best practice for public agencies to deliver infrastructures. The conventional method of identifying and evaluating project risks involves getting input from subject matter experts at risk workshops in the early phases of a project. As a project moves through its life cycle, these identified risks and their assessments evolve. Some risks are realized to become issues, some are mitigated, and some are retired as no longer important. Despite the value provided by conventional expert-based approaches, several challenges remain due to the time-consuming and expensive processes involved. Moreover, limited is known about how risks evolve from ex-ante to ex-post over time. How well does the project team identify and evaluate risks in the initial phase compared to what happens during project execution? Using historical data and artificial intelligence techniques, this study addressed these limitations by introducing a data-driven framework to identify risks automatically and to examine the quality of early risk registers and risk assessments. Risk registers from more than 70 U.S. major transportation projects form the input dataset.
• Abstract（参考訳）: プロジェクトリスクの管理は、あらゆる大規模プロジェクトの成功の鍵となる部分であり、公共機関がインフラを提供するためのベストプラクティスとして広く認識されている。 プロジェクトのリスクを識別し評価する従来の方法は、プロジェクトの初期段階のリスクワークショップにおいて、主題の専門家からインプットを受けることを伴う。 プロジェクトがライフサイクルを進むにつれて、これらのリスクと評価が進化します。 一部のリスクは問題になり、一部は軽減され、一部はもはや重要でないとして引退する。 従来のエキスパートベースのアプローチが提供した価値にもかかわらず、時間とコストのかかるプロセスのために、いくつかの課題が残っている。 さらに、リスクが前者から前者へとどのように進化していくかは、時間とともに限られている。 プロジェクト実行中に何が起こるかと比較して、プロジェクトチームは初期段階のリスクを特定し、評価しますか? 過去のデータと人工知能技術を用いて、リスクを自動的に識別し、早期のリスクレジスタとリスク評価の品質を調べるデータ駆動型フレームワークを導入することで、これらの制限に対処した。 70以上のアメリカの主要輸送プロジェクトのリスクレジスタが入力データセットを形成する。

関連論文リスト

• Risks and NLP Design: A Case Study on Procedural Document QA [52.557503571760215]
  より具体的なアプリケーションやユーザに対して分析を専門化すれば,ユーザに対するリスクや害の明確な評価が可能になる,と我々は主張する。 リスク指向のエラー分析を行い、リスクの低減とパフォーマンスの向上を図り、将来のシステムの設計を通知する。
  論文  参考訳（メタデータ） (2024-08-16T17:23:43Z)
• EAIRiskBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [47.69642609574771]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 EAIRiskBenchは、EAIシナリオにおける自動物理的リスクアセスメントのための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• Privacy Risks of General-Purpose AI Systems: A Foundation for Investigating Practitioner Perspectives [47.17703009473386]
  強力なAIモデルによって、幅広いタスクでパフォーマンスが飛躍的に向上した。 プライバシの懸念は、さまざまなプライバシのリスクとAIモデルの脆弱性をカバーした、豊富な文献につながっている。 我々はこれらの調査論文の体系的なレビューを行い、GPAISにおけるプライバシーリスクの簡潔かつ有用な概観を提供する。
  論文  参考訳（メタデータ） (2024-07-02T07:49:48Z)
• AI and the Iterable Epistopics of Risk [1.26404863283601]
  AIが社会に提示するリスクは、一般的な計算によって管理可能であると広く理解されている。 本稿では、規制当局、開発者、サイバーセキュリティの専門家によるリスクの把握と管理について詳述する。
  論文  参考訳（メタデータ） (2024-04-29T13:33:22Z)
• GUARD-D-LLM: An LLM-Based Risk Assessment Engine for the Downstream uses of LLMs [0.0]
  本稿では,大規模言語モデル(LLM)の下流から発生するリスクについて検討する。 テキストベースのユーザ入力から派生した特定のユースケースに関連する脅威を特定し、ランク付けする新しいLCMベースのリスクアセスメントエンジン(GUARD-D-LLM)を導入する。 30の知的エージェントを統合することで、この革新的なアプローチは、悪夢のリスクを特定し、その重症度を測定し、緩和のためのターゲットとなる提案を提供し、リスク認識開発を促進する。
  論文  参考訳（メタデータ） (2024-04-02T05:25:17Z)
• The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning [87.1610740406279]
  ホワイトハウス人工知能に関する大統領令は、生物、サイバー、化学兵器の開発において悪意あるアクターに力を与える大きな言語モデル(LLM)のリスクを強調している。 現在の評価は非公開であり、リスク軽減のさらなる研究を妨げている。 Weapons of Mass Destruction Proxyベンチマークを公開しています。
  論文  参考訳（メタデータ） (2024-03-05T18:59:35Z)
• RiskBench: A Scenario-based Benchmark for Risk Identification [4.263035319815899]
  この研究は、リスク識別、ダイナミックなトラフィック参加者と予期せぬイベントから生じるリスクを特定し分析するプロセスに焦点を当てている。 リスク識別のための大規模シナリオベースベンチマークである textbfRiskBench を紹介する。 我々は,(1)リスクの検出と発見,(2)リスクの予測,(3)意思決定の促進を行う10のアルゴリズムの能力を評価する。
  論文  参考訳（メタデータ） (2023-12-04T06:21:22Z)
• Risk Analysis in the Selection of Project Managers Based on ANP and FMEA [0.0]
  本研究は, ANP-FMEA と組み合わせたアプローチを用いて, 土木事業におけるプロジェクトマネージャ選択のリスクを特定することを目的とする。 その結果, プロジェクトマネージャの選択において, 政治的影響の欠如, 建設経験の欠如, プロジェクトマネジメントの専門知識の欠如が最も重大なリスクであることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T16:08:10Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Quantitative AI Risk Assessments: Opportunities and Challenges [9.262092738841979]
  AIベースのシステムは、組織、個人、社会に価値を提供するために、ますます活用されている。 リスクは、提案された規制、訴訟、および一般的な社会的懸念につながった。 本稿では,定量的AIリスクアセスメントの概念について考察する。
  論文  参考訳（メタデータ） (2022-09-13T21:47:25Z)
• A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
  我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。 我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。 今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
  論文  参考訳（メタデータ） (2022-05-12T02:20:34Z)

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。