論文の概要: Human-Centered AI Product Prototyping with No-Code AutoML: Conceptual
Framework, Potentials and Limitations
- arxiv url: http://arxiv.org/abs/2402.07933v1
- Date: Tue, 6 Feb 2024 16:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 13:28:32.379221
- Title: Human-Centered AI Product Prototyping with No-Code AutoML: Conceptual
Framework, Potentials and Limitations
- Title(参考訳): No-Code AutoMLによる人間中心のAIプロダクトプロトタイプ - 概念フレームワーク、可能性、限界
- Authors: Mario Truss, Marc Schmitt
- Abstract要約: AI製品の複雑さは、人間中心のAI製品にとって不可欠なシームレスな実行と学際的なコラボレーションを妨げる。
本稿では,No-code AutoMLを用いたAI製品プロトタイピングフレームワークを提案する。
ケーススタディでは、AI製品開発に対する構造化されたアプローチを提供する非専門家をサポートする可能性を確認している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper evaluates No-Code AutoML as a solution for challenges in AI
product prototyping, characterized by unpredictability and inaccessibility to
non-experts, and proposes a conceptual framework. This complexity of AI
products hinders seamless execution and interdisciplinary collaboration crucial
for human-centered AI products. Relevant to industry and innovation, it affects
strategic decision-making and investment risk mitigation. Current approaches
provide limited insights into the potential and feasibility of AI product
ideas. Employing Design Science Research, the study identifies challenges and
integrates no-code AutoML as a solution by presenting a framework for AI
product prototyping with No-code AutoML. A case study confirms its potential in
supporting non-experts, offering a structured approach to AI product
development. The framework facilitates accessible and interpretable
prototyping, benefiting academia, managers, and decision-makers. Strategic
integration of no-code AutoML enhances efficiency, empowers non-experts, and
informs early-stage decisions, albeit with acknowledged limitations.
- Abstract(参考訳): 本稿では,AI製品プロトタイピングにおける課題に対する解決策としてNo-Code AutoMLを評価し,非専門家への予測不能と到達不能を特徴とし,概念的枠組みを提案する。
このAI製品の複雑さは、人間中心のAI製品にとって不可欠なシームレスな実行と学際的なコラボレーションを妨げる。
産業とイノベーションに関連して、戦略的意思決定と投資リスク軽減に影響を及ぼす。
現在のアプローチは、AIプロダクトのアイデアの可能性と実現可能性に関する限られた洞察を提供する。
この研究はDesign Science Researchを採用し、No-code AutoMLを使ったAIプロダクトプロトタイプのフレームワークを提供することで、課題を特定し、ソリューションとしてNo-code AutoMLを統合する。
ケーススタディでは、AI製品開発に対する構造化されたアプローチを提供する非専門家をサポートする可能性を確認している。
このフレームワークは、アクセシブルで解釈可能なプロトタイピングを促進し、アカデミック、マネージャ、意思決定者に恩恵を与える。
no-code AutoMLの戦略的統合は効率を高め、非専門家に権限を与え、承認された制限にもかかわらず、アーリーステージの決定を通知する。
関連論文リスト
- Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する
AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。
本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
論文 参考訳(メタデータ) (2024-02-21T08:29:42Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳(メタデータ) (2023-01-08T15:02:38Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳(メタデータ) (2022-12-08T23:23:39Z) - 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) - Responsible AI Implementation: A Human-centered Framework for
Accelerating the Innovation Process [0.8481798330936974]
本稿では,人工知能(AI)の実装に関する理論的枠組みを提案する。
提案されたフレームワークは、アジャイル共同創造プロセスのための相乗的ビジネス技術アプローチを強調している。
このフレームワークは,AIの人間中心の設計とアジャイル開発を通じて,信頼の確立と維持を重視している。
論文 参考訳(メタデータ) (2022-09-15T06:24:01Z) - Designing an AI-Driven Talent Intelligence Solution: Exploring Big Data
to extend the TOE Framework [0.0]
本研究の目的は、人材管理問題に対処するAI指向のアーティファクトを開発するための新しい要件を特定することである。
構造化機械学習技術を用いて実験的な研究を行うための設計科学手法が採用されている。
論文 参考訳(メタデータ) (2022-07-25T10:42:50Z) - Problem examination for AI methods in product design [4.020523898765404]
本稿ではまず,製品設計におけるAI手法の学際領域に関する重要な用語と概念を明らかにする。
重要な貢献は、4つの特徴の分解可能性、相互依存、革新、創造性を使った設計問題の新たな分類である。
これらの概念をAIソリューションに初期のマッピングすることは、設計例を使ってスケッチされ、検証される。
論文 参考訳(メタデータ) (2022-01-19T15:19:29Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳(メタデータ) (2021-05-07T12:01:31Z) - Explainability Case Studies [2.2872132127037963]
説明可能性(Explainability)は、AIシステムの設計における重要な倫理概念の1つである。
本稿では, 製品設計者, 開発者, 学生, 教育者に対して, 自社製品に対する総合的な説明可能性戦略を開発するための教育ツールとして機能する, 仮説的AI対応製品に関する一連のケーススタディを提案する。
論文 参考訳(メタデータ) (2020-09-01T05:54:15Z)
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。