論文の概要: Digital Business Model Analysis Using a Large Language Model

• arxiv url: http://arxiv.org/abs/2406.05741v1
• Date: Sun, 9 Jun 2024 11:16:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 18:17:07.629071
• Title: Digital Business Model Analysis Using a Large Language Model
• Title（参考訳）: 大規模言語モデルを用いたディジタルビジネスモデル解析
• Authors: Masahiro Watanabe, Naoshi Uchihira,
• Abstract要約: 本研究では,LLMをベースとした類似企業の比較分析手法を提案する。 この方法は、デジタルビジネスモデル設計におけるアイデア生成を支援することができる。
• 参考スコア（独自算出の注目度）: 1.5500145658862499
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Digital transformation (DX) has recently become a pressing issue for many companies as the latest digital technologies, such as artificial intelligence and the Internet of Things, can be easily utilized. However, devising new business models is not easy for compa-nies, though they can improve their operations through digital technologies. Thus, business model design support methods are needed by people who lack digital tech-nology expertise. In contrast, large language models (LLMs) represented by ChatGPT and natural language processing utilizing LLMs have been developed revolutionarily. A business model design support system that utilizes these technologies has great potential. However, research on this area is scant. Accordingly, this study proposes an LLM-based method for comparing and analyzing similar companies from different business do-mains as a first step toward business model design support utilizing LLMs. This method can support idea generation in digital business model design.
• Abstract（参考訳）: デジタルトランスフォーメーション(DX)は、人工知能やモノのインターネットといった最新のデジタル技術を簡単に活用できるため、近年、多くの企業にとってプレッシャーとなっている。 しかし、新しいビジネスモデルを考案することは、コンパニーにとって容易ではないが、デジタル技術によって運営を改善することができる。 このように、デジタル技術学の専門知識が欠如している人には、ビジネスモデル設計支援方法が必要である。 対照的に、ChatGPTで表される大規模言語モデル(LLM)とLLMを用いた自然言語処理が革命的に開発された。 これらの技術を利用するビジネスモデル設計支援システムは大きな可能性を秘めている。 しかし、この地域の研究は乏しい。 そこで本研究では, LLM を利用したビジネスモデル設計支援に向けた第一歩として, 異なる事業者の類似企業を比較し, 分析する LLM 手法を提案する。 この方法は、デジタルビジネスモデル設計におけるアイデア生成を支援することができる。

関連論文リスト

• Fine-Tuning and Deploying Large Language Models Over Edges: Issues and Approaches [64.42735183056062]
  大規模言語モデル(LLM)は、特殊モデルから多目的基礎モデルへと移行してきた。 LLMは印象的なゼロショット能力を示すが、ローカルデータセットとデプロイメントのための重要なリソースを微調整する必要がある。
  論文  参考訳（メタデータ） (2024-08-20T09:42:17Z)
• Reusable MLOps: Reusable Deployment, Reusable Infrastructure and Hot-Swappable Machine Learning models and services [0.0]
  私たちは、Reusable MLOpsと呼ばれるAI/MLオペレーションの分野で、持続可能な新しい概念を紹介します。 既存のデプロイメントとインフラストラクチャを再利用して、インフラストラクチャやマイクロサービスを分解することなく、それらをホットスワッピングすることで、新しいモデルを提供しています。
  論文  参考訳（メタデータ） (2024-02-19T23:40:46Z)
• Towards Automatic Support of Software Model Evolution with Large Language~Models [6.872484164111954]
  本稿では,大規模言語モデルを用いて,ソフトウェアシステムのモデル履歴における編集パターンの発見を行う手法を提案する。 大規模な言語モデルは、ソフトウェアモデルの進化をサポートするための有望な技術であることがわかった。
  論文  参考訳（メタデータ） (2023-12-19T18:38:01Z)
• Large Language Models for Mathematicians [53.27302720305432]
  大規模言語モデル(LLM)は、汎用言語理解、特に高品質なテキストやコンピュータコードを生成する能力に多大な関心を集めている。 本稿では,プロの数学者をどの程度支援できるかについて論じる。
  論文  参考訳（メタデータ） (2023-12-07T18:59:29Z)
• Adapting Large Language Models for Content Moderation: Pitfalls in Data Engineering and Supervised Fine-tuning [79.53130089003986]
  大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。 本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T09:09:44Z)
• Generative AI for Business Strategy: Using Foundation Models to Create Business Strategy Tools [0.7784248206747153]
  ビジネス意思決定における基礎モデルの利用を提案する。 私たちは、署名されたビジネスネットワークの出現という形で、ITアーティファクトを導き出します。 このようなアーティファクトは、市場の状態と自身のポジションについて、ビジネスステークホルダーに通知することができる。
  論文  参考訳（メタデータ） (2023-08-27T19:03:12Z)
• Large Language Models Humanize Technology [6.127963013089406]
  大規模言語モデル(LLM)は、ここ数ヶ月、数週間で急速に進歩している。 これは、これらのモデルを人的価値と整合させること、労働市場への影響、そして規制の必要性に対する懸念を引き起こした。 LLMは、従来の技術よりも、より効果的にテクノロジーを人為化する創発的な能力を示すと我々は主張する。
  論文  参考訳（メタデータ） (2023-05-09T16:05:36Z)
• A Survey of Large Language Models [81.06947636926638]
  言語モデリングは、過去20年間、言語理解と生成のために広く研究されてきた。 近年,大規模コーパス上でのトランスフォーマーモデルの事前学習により,事前学習言語モデル (PLM) が提案されている。 パラメータスケールの違いを識別するために、研究コミュニティは大規模言語モデル (LLM) という用語を提唱した。
  論文  参考訳（メタデータ） (2023-03-31T17:28:46Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• Foundation models in brief: A historical, socio-technical focus [2.5991265608180396]
  ディープラーニングをスケールアップすることで、将来のAI開発には、ファンデーションモデルが破壊的になる可能性がある。 モデルは自然言語処理やコンピュータビジョンといった分野における様々なタスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-17T22:11:33Z)
• What Language Model to Train if You Have One Million GPU Hours? [54.32062236748831]
  モデリングの実践の違いがゼロショット一般化に与える影響について検討する。 また、多言語モデルの性能と、英語のみとの比較についても検討する。 私たちのモデルとコードは、https://huggingface.co/bigscience.comでオープンソース化されています。
  論文  参考訳（メタデータ） (2022-10-27T13:43:27Z)

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。