論文の概要: Toward Methodical Discovery and Handling of Hidden Assumptions in
Complex Systems and Models
- arxiv url: http://arxiv.org/abs/2312.16507v1
- Date: Wed, 27 Dec 2023 10:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 19:00:35.974319
- Title: Toward Methodical Discovery and Handling of Hidden Assumptions in
Complex Systems and Models
- Title(参考訳): 複雑系とモデルにおける隠れ推定の方法論的発見と扱いに向けて
- Authors: David Harel, Uwe A{\ss}mann, Fabiana Fournier, Lior Limonad, Assaf
Marron and Smadar Szekely
- Abstract要約: 外部レビューは、文書化されていないビルトインの仮定を明らかにすることができる。
様々なデジタルアーティファクトが、広範囲にわたる参照知識に対して自動的にチェック可能であることを示す。
システム工学のこの側面を体系的に扱うことは、複雑なシステムやモデルの品質と安全性に大きく貢献できると考えている。
- 参考スコア(独自算出の注目度): 3.1771791275364194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methodologies for development of complex systems and models include external
reviews by domain and technology experts. Among others, such reviews can
uncover undocumented built-in assumptions that may be critical for correct and
safe operation or constrain applicability. Since such assumptions may still
escape human-centered processes like reviews, agile development, and risk
analyses, here, we contribute toward making this process more methodical and
automatable. We first present a blueprint for a taxonomy and formalization of
the problem. We then show that a variety of digital artifacts of the system or
model can be automatically checked against extensive reference knowledge. Since
mimicking the breadth and depth of knowledge and skills of experts may appear
unattainable, we illustrate the basic feasibility of automation with
rudimentary experiments using OpenAI's ChatGPT. We believe that systematic
handling of this aspect of system engineering can contribute significantly to
the quality and safety of complex systems and models, and to the efficiency of
development projects. We dedicate this work to Werner Damm, whose contributions
to modeling and model-based development, in industry and academia, with a
special focus on safety, helped establish a solid foundation to our discipline
and to the work of many scientists and professionals, including, naturally, the
approaches and techniques described here.
- Abstract(参考訳): 複雑なシステムやモデルの開発のための方法論には、ドメインや技術の専門家による外部レビューが含まれる。
このようなレビューは、正確で安全な操作や制約の適用性に不可欠な、文書化されていないビルトインの仮定を明らかにすることができる。
このような仮定は、レビューやアジャイル開発、リスク分析といった人間中心のプロセスからいまだに逃れる可能性があるため、私たちはこのプロセスをより体系的で自動化可能にするために貢献します。
まず,分類学の青写真と問題の形式化について述べる。
そして、システムやモデルのさまざまなデジタルアーティファクトが、広範な参照知識に対して自動的にチェックされることを示す。
専門家の知識やスキルの広さや深さを模倣することは不可能に思われるので,openaiのchatgptを用いた初歩的な実験による自動化の基本的な実現可能性を示す。
システム工学のこの側面を体系的に扱うことは、複雑なシステムやモデルの品質と安全性、そして開発プロジェクトの効率に大きく貢献できると考えている。
私たちはこの研究を、モデリングとモデルベースの開発、産業とアカデミアへの貢献、特に安全性に重点を置いたwerner damm氏に捧げ、我々の規律と、ここで説明するアプローチや技術を含む多くの科学者や専門家の仕事に対する確固たる基盤を確立するのに役立ちました。
関連論文リスト
- Science based AI model certification for untrained operational environments with application in traffic state estimation [1.2186759689780324]
さまざまなエンジニアリング領域における人工知能(AI)の役割の拡大は、AIモデルを新たな運用環境にデプロイする際の課題を強調している。
本稿では,未訓練の運用環境における事前学習データ駆動モデルの適用可能性を評価するための,科学ベースの認証手法を提案する。
論文 参考訳(メタデータ) (2024-03-21T03:01:25Z) - Designing Explainable Predictive Machine Learning Artifacts: Methodology
and Practical Demonstration [0.0]
さまざまな業界の企業による意思決定者は、現代の機械学習アルゴリズムに基づくアプリケーションを採用することに、いまだに消極的だ。
我々はこの問題を、高度な機械学習アルゴリズムを「ブラックボックス」として広く支持されている見解に当てはめている。
本研究では,設計科学研究から方法論的知識を統一する手法を開発し,最先端の人工知能を用いた予測分析手法を提案する。
論文 参考訳(メタデータ) (2023-06-20T15:11:26Z) - Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic
Approach [59.77710485234197]
本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。
本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
論文 参考訳(メタデータ) (2022-09-07T10:09:12Z) - Model-based Analysis and Specification of Functional Requirements and
Tests for Complex Automotive Systems [0.19837121116620585]
本稿では,利害関係者の観点からの検証対象の早期識別から始まる手法を提案する。
完全かつ一貫した要件とテスト仕様を保証するために,モデルベースシステム工学(MBSE)手法を開発した。
本研究は,我々の方法論が適用可能であること,既存の要件とテスト仕様プロセスを改善することを裏付けるものである。
論文 参考訳(メタデータ) (2022-09-03T18:24:32Z) - Constrained Reinforcement Learning for Robotics via Scenario-Based
Programming [64.07167316957533]
DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。
本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。
我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
論文 参考訳(メタデータ) (2022-06-20T07:19:38Z) - Scenario-Assisted Deep Reinforcement Learning [3.5036351567024275]
本稿では,強化学習訓練プロセスの強化手法を提案する。
これにより、人間のエンジニアは、専門家の知識を直接貢献することができ、訓練中のエージェントが関連する制約に従う可能性が高まる。
本手法は,インターネット混雑制御領域のケーススタディを用いて評価する。
論文 参考訳(メタデータ) (2022-02-09T08:46:13Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z) - Synergizing Domain Expertise with Self-Awareness in Software Systems: A
Patternized Architecture Guideline [11.155059219430207]
本稿では、ソフトウェアシステムにおける自己適応性を高めるために、ドメインの専門知識の相乗化と自己認識の重要性を強調する。
我々は、DBASESと呼ばれる概念、豊富なパターン、方法論の総合的なフレームワークを提示し、エンジニアに原則化されたガイドラインを提供する。
論文 参考訳(メタデータ) (2020-01-20T12:17:22Z)
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。