論文の概要: Leveraging Hybrid Intelligence Towards Sustainable and Energy-Efficient Machine Learning
- arxiv url: http://arxiv.org/abs/2407.10580v1
- Date: Mon, 15 Jul 2024 09:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 15:40:56.922486
- Title: Leveraging Hybrid Intelligence Towards Sustainable and Energy-Efficient Machine Learning
- Title（参考訳）: 持続的でエネルギー効率の良い機械学習に向けたハイブリッドインテリジェンスを活用する
- Authors: Daniel Geissler, Paul Lukowicz,
- Abstract要約: ハイブリッドインテリジェンスは、意思決定、問題解決、システム全体のパフォーマンスの向上を目的としている。
本稿では,ハイブリット・インテリジェンス(Hybrid Intelligence)を,持続的でエネルギーを意識した機械学習に活用するためのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 2.7839573046784127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid intelligence aims to enhance decision-making, problem-solving, and overall system performance by combining the strengths of both, human cognitive abilities and artificial intelligence. With the rise of Large Language Models (LLM), progressively participating as smart agents to accelerate machine learning development, Hybrid Intelligence is becoming an increasingly important topic for effective interaction between humans and machines. This paper presents an approach to leverage Hybrid Intelligence towards sustainable and energy-aware machine learning. When developing machine learning models, final model performance commonly rules the optimization process while the efficiency of the process itself is often neglected. Moreover, in recent times, energy efficiency has become equally crucial due to the significant environmental impact of complex and large-scale computational processes. The contribution of this work covers the interactive inclusion of secondary knowledge sources through Human-in-the-loop (HITL) and LLM agents to stress out and further resolve inefficiencies in the machine learning development process.
- Abstract（参考訳）: ハイブリッドインテリジェンスは、人間の認知能力と人工知能の両方の強みを組み合わせることで、意思決定、問題解決、システム全体のパフォーマンスを向上させることを目的としている。
機械学習開発を加速するスマートエージェントとして徐々に参加するLarge Language Models(LLM)の台頭により、ハイブリッドインテリジェンスは人間とマシンの効果的なインタラクションにおいて、ますます重要なトピックになりつつある。
本稿では,ハイブリット・インテリジェンス(Hybrid Intelligence)を,持続的でエネルギーを意識した機械学習に活用するためのアプローチを提案する。
機械学習モデルを開発する際、最終モデルの性能は最適化プロセスをよく規定するが、プロセス自体の効率は無視されることが多い。
さらに、近年では、複雑で大規模な計算プロセスの環境影響により、エネルギー効率が等しく重要になっている。
本研究の貢献は,Human-in-the-loop (HITL) と LLM エージェントを介し,機械学習開発プロセスにおける非効率性をさらに解決するために,二次的知識源を相互に取り入れることである。
関連論文リスト
- Generative AI and Its Impact on Personalized Intelligent Tutoring Systems [0.0]
生成AIは、動的コンテンツ生成、リアルタイムフィードバック、適応学習経路を通じてパーソナライズされた教育を可能にする。
報告では、自動質問生成、カスタマイズされたフィードバック機構、対話システムなどの重要な応用について検討する。
今後の方向性は、マルチモーダルAI統合の潜在的な進歩、学習システムにおける感情的知性、そしてAI駆動型教育の倫理的意味を強調する。
論文 参考訳（メタデータ） (2024-10-14T16:01:01Z) - Fusion Intelligence: Confluence of Natural and Artificial Intelligence for Enhanced Problem-Solving Efficiency [3.9233394969004713]
フュージョン・インテリジェンス(FI)は、バイオインスパイアされた知能システムであり、生物の自然の知覚、知性、ユニークなアクティベーション能力は、人工知能(AI)の計算能力と統合される。
昆虫の受粉効率向上を模擬したケーススタディにより, FIが農業用IoTシステムの性能向上に寄与する可能性を実証した。
論文 参考訳（メタデータ） (2024-05-16T02:10:30Z) - 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) - Evolutionary Dynamic Optimization and Machine Learning [0.0]
進化計算(Evolutionary Computation, EC)は、人工知能の強力な分野として出現し、徐々に発展する自然のメカニズムに触発されている。
これらの制限を克服するために、研究者は学習アルゴリズムと進化的手法を統合した。
この統合は、反復探索中にECアルゴリズムによって生成された貴重なデータを活用し、検索空間と人口動態に関する洞察を提供する。
論文 参考訳（メタデータ） (2023-10-12T22:28:53Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z) - Hybrid ASR for Resource-Constrained Robots: HMM - Deep Learning Fusion [0.0]
本稿では,資源制約型ロボットに特化して設計されたハイブリッド音声認識(ASR)システムを提案する。
提案手法は、隠れマルコフモデル(HMM)とディープラーニングモデルを組み合わせて、ソケットプログラミングを利用して処理タスクを効果的に分散する。
このアーキテクチャでは、HMMベースの処理がロボット内で行われ、別のPCがディープラーニングモデルを処理する。
論文 参考訳（メタデータ） (2023-09-11T15:28:19Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Ontology in Hybrid Intelligence: a concise literature review [3.9160947065896803]
ハイブリッドインテリジェンス(Hybrid Intelligence)は、人間と人工知能のバランスの取れた共存を指して人気を集めている。
オントロジーは、インターオペラビリティを拡張するための特定の役割と同様に、品質と正確性を改善する。
アプリケーション指向分析は、現在のシステム(70%以上)や、将来的なシステムにおいて重要な役割を担っている。
論文 参考訳（メタデータ） (2023-03-30T09:55:29Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳（メタデータ） (2021-10-28T16:04:01Z) - Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。
MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。
本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T07:37:10Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。