論文の概要: PerOS: Personalized Self-Adapting Operating Systems in the Cloud
- arxiv url: http://arxiv.org/abs/2404.00057v1
- Date: Tue, 26 Mar 2024 20:10:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-07 23:07:46.851634
- Title: PerOS: Personalized Self-Adapting Operating Systems in the Cloud
- Title（参考訳）: PerOS: クラウド上のパーソナライズされた自己適応型オペレーティングシステム
- Authors: Hongyu Hè,
- Abstract要約: 大規模な言語モデル(LLM)機能を備えたパーソナライズされたOSであるPerOSを提案する。
PerOSは、宣言型インターフェース、自己適応型カーネル、スケーラブルなクラウド中心アーキテクチャにおけるセキュアなデータ管理を通じて、プライバシと個人情報を保護しながら、カスタマイズされたユーザエクスペリエンスを提供することを目指している。
- 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: Operating systems (OSes) are foundational to computer systems, managing hardware resources and ensuring secure environments for diverse applications. However, despite their enduring importance, the fundamental design objectives of OSes have seen minimal evolution over decades. Traditionally prioritizing aspects like speed, memory efficiency, security, and scalability, these objectives often overlook the crucial aspect of intelligence as well as personalized user experience. The lack of intelligence becomes increasingly critical amid technological revolutions, such as the remarkable advancements in machine learning (ML). Today's personal devices, evolving into intimate companions for users, pose unique challenges for traditional OSes like Linux and iOS, especially with the emergence of specialized hardware featuring heterogeneous components. Furthermore, the rise of large language models (LLMs) in ML has introduced transformative capabilities, reshaping user interactions and software development paradigms. While existing literature predominantly focuses on leveraging ML methods for system optimization or accelerating ML workloads, there is a significant gap in addressing personalized user experiences at the OS level. To tackle this challenge, this work proposes PerOS, a personalized OS ingrained with LLM capabilities. PerOS aims to provide tailored user experiences while safeguarding privacy and personal data through declarative interfaces, self-adaptive kernels, and secure data management in a scalable cloud-centric architecture; therein lies the main research question of this work: How can we develop intelligent, secure, and scalable OSes that deliver personalized experiences to thousands of users?
- Abstract（参考訳）: オペレーティングシステム(OS)は、コンピュータシステムの基礎であり、ハードウェアリソースを管理し、多様なアプリケーションのためのセキュアな環境を確保する。
しかし、OSの基本的な設計目的は、その持続的重要性にもかかわらず、数十年にわたって最小限の進化をみせてきた。
従来のスピード、メモリ効率、セキュリティ、スケーラビリティといった側面の優先順位付けは、インテリジェンスの重要な側面だけでなく、パーソナライズされたユーザエクスペリエンスを見落としていることが多い。
機械学習(ML)の顕著な進歩など、技術革新が進む中で、知性の欠如がますます批判的になっている。
今日のパーソナルデバイスは、ユーザのための親密なコンパニオンへと進化し、LinuxやiOSといった従来のOS、特に異種コンポーネントを特徴とする特別なハードウェアの出現において、ユニークな課題を提起している。
さらに、MLにおける大規模言語モデル(LLM)の台頭は、ユーザインタラクションとソフトウェア開発パラダイムを再構築するトランスフォーメーション機能を導入している。
既存の文献では、主にシステムの最適化やMLワークロードの高速化にMLメソッドを活用することに重点を置いているが、OSレベルでパーソナライズされたユーザエクスペリエンスに対処する上で、大きなギャップがある。
この課題に対処するために、この研究はパーソナライズされたOSであるPerOSを提案している。
PerOSは、宣言型インターフェース、自己適応型カーネル、セキュアなデータ管理を通じて、適切なユーザエクスペリエンスを提供しながら、プライバシと個人情報を保護し、スケーラブルなクラウド中心アーキテクチャでセキュアなデータ管理を提供することを目指している。
関連論文リスト
- Towards a Middleware for Large Language Models [3.491539485256461]
大規模言語モデルは自然言語入力を処理する能力で広く普及している。
この進歩は、世界中の企業がLLMをサービスに統合するきっかけとなった。
テクノロジが成熟するにつれて、"LLM as a Service"をセルフホストすることで、主要なクラウドプロバイダからの独立に対する強いインセンティブが生まれます。
論文 参考訳（メタデータ） (2024-11-21T13:55:24Z) - Cognitive Kernel: An Open-source Agent System towards Generalist Autopilots [54.55088169443828]
我々は,ジェネラリストオートパイロットの目標に向けて,オープンソースのエージェントシステムであるCognitive Kernelを紹介する。
主にユーザーに依存して必要な状態情報を提供する自動操縦システムとは異なり、自動操縦システムは独立してタスクを完了しなければならない。
これを実現するために、自動操縦システムでは、ユーザの意図を理解し、様々な現実世界の情報源から必要な情報を積極的に収集し、賢明な判断をする必要がある。
論文 参考訳（メタデータ） (2024-09-16T13:39:05Z) - A General-Purpose Device for Interaction with LLMs [3.052172365469752]
本稿では,大規模言語モデル(LLM)と高度なハードウェアの統合について検討する。
我々は,LLMとの対話性の向上を目的とした汎用デバイスの開発に焦点をあてる。
論文 参考訳（メタデータ） (2024-08-02T23:43:29Z) - Towards Privacy-Aware and Personalised Assistive Robots: A User-Centred Approach [55.5769013369398]
この研究は、フェデレートラーニング(FL)のようなユーザー中心のプライバシーに配慮した技術のパイオニアである。
FLは機密データを共有せずに協調学習を可能にし、プライバシとスケーラビリティの問題に対処する。
この作業には、スマート車椅子アシストのためのソリューションの開発、ユーザの独立性の向上、幸福感の向上が含まれる。
論文 参考訳（メタデータ） (2024-05-23T13:14:08Z) - Personal LLM Agents: Insights and Survey about the Capability, Efficiency and Security [34.67477557318947]
我々は、個人データやパーソナルデバイスと深く統合されたLLMベースのエージェントであるPersonal LLM Agentsに焦点を当てる。
我々は、パーソナライズ LLM Agents が、今後エンドユーザーにとって主要なソフトウェアパラダイムになることを期待している。
論文 参考訳（メタデータ） (2024-01-10T09:25:45Z) - Prompt-to-OS (P2OS): Revolutionizing Operating Systems and
Human-Computer Interaction with Integrated AI Generative Models [10.892991111926573]
本稿では,従来のオペレーティングシステムの概念に革命をもたらす,人間とコンピュータのインタラクションのためのパラダイムを提案する。
この革新的なフレームワークでは、マシンに発行されるユーザリクエストは、生成AIモデルの相互接続エコシステムによって処理される。
このビジョンの概念は、プライバシ、セキュリティ、信頼性、生成モデルの倫理的利用など、重要な課題を提起する。
論文 参考訳（メタデータ） (2023-10-07T17:16:34Z) - When Large Language Models Meet Personalization: Perspectives of
Challenges and Opportunities [60.5609416496429]
大規模言語モデルの能力は劇的に改善されている。
このような大きな飛躍的なAI能力は、パーソナライゼーションの実施方法のパターンを変えるだろう。
大規模言語モデルを汎用インターフェースとして活用することにより、パーソナライズシステムはユーザ要求を計画にコンパイルすることができる。
論文 参考訳（メタデータ） (2023-07-31T02:48:56Z) - The Future of Consumer Edge-AI Computing [58.445652425379855]
Deep Learningは、主にデバイス間のハードウェアアクセラレーションによって、消費者のエンドに急速に浸透している。
将来を見据えて、孤立したハードウェアが不十分であることは明らかです。
本稿では,コンシューマエッジにおける計算資源とデータアクセスの再編成と最適化を目的とした,EdgeAI-Hubデバイスを中心とした新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2022-10-19T12:41:47Z) - Artificial Intelligence in the Low-Level Realm -- A Survey [0.0]
我々は、OSの主要な責務において、AIアプローチ、特に機械学習を利用する方法と努力を求めます。
言い換えれば、答えるべき主な質問は、従来のOSカーネルのメインタスクを改善する上で、AIがどのように直接的に役割を担ってきたか、という点である。
論文 参考訳（メタデータ） (2021-09-19T19:36:54Z) - 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) - Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文 参考訳（メタデータ） (2020-03-30T09:35:12Z)
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。