論文の概要: Making sense of AI systems development
- arxiv url: http://arxiv.org/abs/2408.04311v1
- Date: Thu, 8 Aug 2024 08:46:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 16:08:12.649645
- Title: Making sense of AI systems development
- Title（参考訳）: AIシステム開発を理解する
- Authors: Mateusz Dolata, Kevin Crowston,
- Abstract要約: 我々は、IBMやクライアント企業が実施したプロジェクトにおいて、現代のAIベースのシステム開発における課題について説明する。
多くの問題は、現在の世代のAI固有の特性に関係している。
これらの特徴はプロジェクトの複雑さを高め、予期しない問題を避けるためにバランスのとれたマインドフルネスを求める。
- 参考スコア（独自算出の注目度）: 3.6141428739228894
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We identify and describe episodes of sensemaking around challenges in modern AI-based systems development that emerged in projects carried out by IBM and client companies. All projects used IBM Watson as the development platform for building tailored AI-based solutions to support workers or customers of the client companies. Yet, many of the projects turned out to be significantly more challenging than IBM and its clients had expected. The analysis reveals that project members struggled to establish reliable meanings about the technology, the project, context, and data to act upon. The project members report multiple aspects of the projects that they were not expecting to need to make sense of yet were problematic. Many issues bear upon the current-generation AI's inherent characteristics, such as dependency on large data sets and continuous improvement as more data becomes available. Those characteristics increase the complexity of the projects and call for balanced mindfulness to avoid unexpected problems.
- Abstract（参考訳）: 我々は、IBMやクライアント企業が実施したプロジェクトにおいて、現代のAIベースのシステム開発における課題に関するセンスメイキングのエピソードを特定し、記述する。
すべてのプロジェクトは、AIベースのソリューションを構築するための開発プラットフォームとしてIBM Watsonを使用しており、クライアント企業の労働者や顧客を支援していた。
しかし、多くのプロジェクトは、IBMとそのクライアントが予想していたよりもはるかに難しいことが判明した。
この分析によると、プロジェクトメンバーは、技術、プロジェクト、コンテキスト、そして実行すべきデータについて信頼できる意味を確立するのに苦労している。
プロジェクトメンバーはプロジェクトの複数の側面を報告します。
多くの問題は、大規模なデータセットへの依存や、より多くのデータが利用可能になるにつれて継続的な改善など、現在のAI固有の特性に対処する。
これらの特徴はプロジェクトの複雑さを高め、予期しない問題を避けるためにバランスのとれたマインドフルネスを求める。
関連論文リスト
- Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。
しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。
本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-17T06:14:34Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Project Archetypes: A Blessing and a Curse for AI Development [3.2157163136267943]
機械学習と人工知能を用いたアプリケーションの開発は、既存のアーチタイプが時代遅れになり、疑問を呈し、適応し、置き換える必要がある状況を提供する。
我々は、IBM Watsonとクライアント企業の間の21のプロジェクトからの36のインタビューを分析し、プロジェクトを理解するのに最初に使われた4人のプロジェクトアーチタイプメンバーを特定した。
次に、インタビューから、新しいプロジェクトアーカイタイプ、認知コンピューティングプロジェクトを導きました。AI開発プラットフォームに基づいた将来の開発プロジェクトを通知することができます。
論文 参考訳（メタデータ） (2024-08-08T08:52:19Z) - On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。
本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文 参考訳（メタデータ） (2024-02-28T15:19:33Z) - Dealing with Data for RE: Mitigating Challenges while using NLP and
Generative AI [2.9189409618561966]
本章では、ソフトウェア工学全般の進化する展望、特に要件工学(RE)について論じている。
自然言語処理(NLP)と生成AIをエンタープライズクリティカルなソフトウェアシステムに統合する際に生じる課題について論じる。
本は、読者に必要な知識とツールを提供するために、実践的な洞察、解決策、例を提供する。
論文 参考訳（メタデータ） (2024-02-26T19:19:47Z) - Development in times of hype: How freelancers explore Generative AI? [0.0]
ジェネレーティブAIは、これまで関わったことのない開発者に、ユニークな課題を提示する。
我々は、生成AIに基づくソリューション開発に関連する複数の課題を特定する。
我々は、ソフトウェアエンジニアリングコミュニティが効果的なガイダンスを提供することができる分野として、生成AIのためのソフトウェアエンジニアリング(SE4GenAI)とHype-induced Software Engineering(HypeSE)を提案する。
論文 参考訳（メタデータ） (2024-01-11T09:49:50Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。
データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文 参考訳（メタデータ） (2023-01-12T05:28:59Z) - 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) - Transient Information Adaptation of Artificial Intelligence: Towards
Sustainable Data Processes in Complex Projects [0.0]
大規模プロジェクトは複雑なデータポイントの配列を描画しながら複雑な設定で運用されるようになっている。
世界のメガプロジェクトの90%は計画された目標達成に失敗している。
人工知能の概念に対する関心は、プロジェクトライフサイクルを通じてプロジェクトマネージャの認知能力を高めることを目指している。
論文 参考訳（メタデータ） (2021-03-27T22:28:52Z) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z)
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。