論文の概要: On Augmenting Scenario-Based Modeling with Generative AI

• arxiv url: http://arxiv.org/abs/2401.02245v1
• Date: Thu, 4 Jan 2024 12:58:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 15:07:33.126347
• Title: On Augmenting Scenario-Based Modeling with Generative AI
• Title（参考訳）: ジェネレーティブAIを用いたシナリオベースモデリングの強化について
• Authors: David Harel, Guy Katz, Assaf Marron, Smadar Szekely
• Abstract要約: モデリングプロセスの一環として,チャットボットのより安全で構造化された利用方法について概説する。 本稿では,モデルの自動解析を容易にするシナリオベースモデリング手法を提案する。 このアプローチの可能性を浮き彫りにした好適な予備結果について述べる。
• 参考スコア（独自算出の注目度）: 1.4501446815590895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The manual modeling of complex systems is a daunting task; and although a plethora of methods exist that mitigate this issue, the problem remains very difficult. Recent advances in generative AI have allowed the creation of general-purpose chatbots, capable of assisting software engineers in various modeling tasks. However, these chatbots are often inaccurate, and an unstructured use thereof could result in erroneous system models. In this paper, we outline a method for the safer and more structured use of chatbots as part of the modeling process. To streamline this integration, we propose leveraging scenario-based modeling techniques, which are known to facilitate the automated analysis of models. We argue that through iterative invocations of the chatbot and the manual and automatic inspection of the resulting models, a more accurate system model can eventually be obtained. We describe favorable preliminary results, which highlight the potential of this approach.
• Abstract（参考訳）: 複雑なシステムの手動モデリングは大変な作業であり、この問題を緩和する多くの方法が存在するが、この問題は非常に難しいままである。 生成AIの最近の進歩により、様々なモデリングタスクでソフトウェアエンジニアを支援する汎用チャットボットの開発が可能になった。 しかし、これらのチャットボットはしばしば不正確であり、その非構造化使用は誤ったシステムモデルをもたらす可能性がある。 本稿では,モデリングプロセスの一環として,チャットボットのより安全で構造化された利用法について概説する。 この統合を合理化するために,我々は,モデルの自動解析を容易にすることで知られるシナリオベースのモデリング手法の活用を提案する。 チャットボットの反復的な呼び出しと結果のモデルの手動および自動検査により、最終的にはより正確なシステムモデルが得られると論じる。 このアプローチの可能性を浮き彫りにした良好な予備結果について述べる。

関連論文リスト

• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
  製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。 セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-14T10:37:34Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Fine-Tuning Generative Models as an Inference Method for Robotic Tasks [18.745665662647912]
  ロボット作業における観察にニューラルネットワークモデルのサンプル生成を迅速に適応させる方法について検討する。 鍵となるアイデアは、観測された証拠と一致する生成サンプルにそれを適合させることで、モデルを素早く微調整することである。 本手法は自己回帰モデルと変分自己エンコーダの両方に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-19T16:11:49Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• Conversational Process Modeling: Can Generative AI Empower Domain Experts in Creating and Redesigning Process Models? [0.0]
  この研究は、会話プロセスモデリングをサポートする既存のチャットボットの体系的な分析を提供する。 会話プロセスモデリングに関する文献レビューが行われ、それによって会話プロセスモデリングのアプリケーションシナリオの分類がなされる。 プロセスモデルの完全性と正確性に関して,AI駆動型チャットボットの出力に評価手法を適用した。
  論文  参考訳（メタデータ） (2023-04-19T06:54:14Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Few-shot Prompting Towards Controllable Response Generation [49.479958672988566]
  まず,モデルのパラメータにアクセスすることなく,モデル生成に対するプロンプトと強化学習(RL)の組み合わせについて検討した。 マルチタスク学習を適用して、モデルが新しいタスクをより良く一般化できるようにします。 実験の結果,提案手法はパラメータにアクセスすることなく,複数のSOTA(State-of-the-art)対話モデルを制御することができることがわかった。
  論文  参考訳（メタデータ） (2022-06-08T14:48:06Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• High-Accuracy Model-Based Reinforcement Learning, a Survey [2.0196229393131726]
  深層強化学習は、ゲームプレイとロボティクスにおいて顕著な成功を収めている。 環境サンプルの数を減らすため、モデルに基づく強化学習は環境力学の明示的なモデルを生成する。 これらの手法のいくつかは、低いサンプルの複雑さで高い精度を達成することに成功した。
  論文  参考訳（メタデータ） (2021-07-17T14:01:05Z)
• Structured Mechanical Models for Robot Learning and Control [38.52004843488286]
  ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。 本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。 我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
  論文  参考訳（メタデータ） (2020-04-21T21:12:03Z)

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。