Fugu-MT 論文翻訳(概要): When IoT Meet LLMs: Applications and Challenges

論文の概要: When IoT Meet LLMs: Applications and Challenges

arxiv url: http://arxiv.org/abs/2411.17722v1
Date: Wed, 20 Nov 2024 23:44:51 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-23 16:39:32.455613
Title: When IoT Meet LLMs: Applications and Challenges
Title（参考訳）: IoTとLLM: アプリケーションと課題
Authors: Ibrahim Kok, Orhan Demirci, Suat Ozdemir,
Abstract要約: 大規模言語モデル(LLM)がIoT(Internet of Things)における高度な意思決定とコンテキスト理解をいかに促進するかを示す。これは、エッジ、フォグ、クラウドシステム間のIoT-LLM統合に関する最初の包括的な研究である。産業用IoTアプリケーションのための新しいシステムモデルを提案する。
参考スコア（独自算出の注目度）: 0.5461938536945723
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in Large Language Models (LLMs) have positively and efficiently transformed workflows in many domains. One such domain with significant potential for LLM integration is the Internet of Things (IoT), where this integration brings new opportunities for improved decision making and system interaction. In this paper, we explore the various roles of LLMs in IoT, with a focus on their reasoning capabilities. We show how LLM-IoT integration can facilitate advanced decision making and contextual understanding in a variety of IoT scenarios. Furthermore, we explore the integration of LLMs with edge, fog, and cloud computing paradigms, and show how this synergy can optimize resource utilization, enhance real-time processing, and provide scalable solutions for complex IoT applications. To the best of our knowledge, this is the first comprehensive study covering IoT-LLM integration between edge, fog, and cloud systems. Additionally, we propose a novel system model for industrial IoT applications that leverages LLM-based collective intelligence to enable predictive maintenance and condition monitoring. Finally, we highlight key challenges and open issues that provide insights for future research in the field of LLM-IoT integration.
Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、多くのドメインにおいて、肯定的かつ効率的にワークフローを変換している。 LLM統合の大きな可能性を持つそのようなドメインのひとつに、IoT(Internet of Things)がある。本稿では,IoTにおけるLLMの役割について考察し,その推論能力に着目した。 LLM-IoT統合は,さまざまなIoTシナリオにおいて,高度な意思決定とコンテキスト理解を促進する方法を示す。さらに、LLMとエッジ、フォグ、クラウドコンピューティングのパラダイムの統合について検討し、このシナジーがいかにリソース利用を最適化し、リアルタイム処理を強化し、複雑なIoTアプリケーションにスケーラブルなソリューションを提供するかを示す。私たちの知る限りでは、エッジ、フォグ、クラウドシステム間のIoT-LLM統合に関する、初めての包括的な研究です。さらに,LLMに基づく集合的知性を活用して予測保守と条件監視を実現する産業用IoTアプリケーションのための新しいシステムモデルを提案する。最後に、LLM-IoT統合の分野における今後の研究の洞察を提供する重要な課題とオープンな課題を強調します。

関連論文リスト

LLMs meet Federated Learning for Scalable and Secure IoT Management [6.649910168731417]
従来の集中型アーキテクチャは、レイテンシ、プライバシの懸念、リソースの過剰消費に悩まされている。本稿では,IoTシステムインテリジェンスの向上を目的とした,FL-LLM(Federated Learning-driven Large Language Model)フレームワークを提案する。
論文参考訳（メタデータ） (2025-04-22T16:56:59Z)
Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
論文参考訳（メタデータ） (2025-03-27T11:56:27Z)
IoT-LLM: Enhancing Real-World IoT Task Reasoning with Large Language Models [15.779982408779945]
大規模言語モデル(LLM)は、テキストや視覚領域にまたがる顕著な能力を示してきたが、しばしば物理法則に違反した出力を生成する。人間の認識にインスパイアされた我々は、IoTセンサデータと、物理的な世界でのIoTタスク推論に関する関連する知識を用いて、知覚能力の向上によるLLMの強化について検討する。我々は,IoT-LLMがLLMによるIoTタスクの推論性能を大幅に向上し,従来の手法と比較して,各タスクの平均65%の改善を実現していることを示す。
論文参考訳（メタデータ） (2024-10-03T12:24:18Z)
LLM-based event abstraction and integration for IoT-sourced logs [2.6811507121199325]
本稿では,イベント抽象化と統合において,LLM(Large Language Models)を活用する可能性について述べる。当社のアプローチは、生のセンサ読み取りからイベントレコードを作成し、複数のIoTソースからのログを単一のイベントログにマージすることを目的としています。高齢者介護と縦断的健康モニタリングにおけるIoT応用のケーススタディとして,イベント抽象化におけるLCMの機能を示す。
論文参考訳（メタデータ） (2024-09-05T12:38:13Z)
Large Language Models for Base Station Siting: Intelligent Deployment based on Prompt or Agent [62.16747639440893]
大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。このアプローチは、人間の経験と知識をこれらの洗練されたLLMに注入するために、巧妙なプロンプトの戦略的利用を必要とする。この統合は、サービスとしての人工知能(AI)と、より容易なAIの将来のパラダイムを表している。
論文参考訳（メタデータ） (2024-08-07T08:43:32Z)
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)
A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
論文参考訳（メタデータ） (2024-08-02T15:14:53Z)
Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
論文参考訳（メタデータ） (2024-06-14T19:24:00Z)
Cooperate or Collapse: Emergence of Sustainable Cooperation in a Society of LLM Agents [101.17919953243107]
GovSimは、大規模言語モデル(LLM)における戦略的相互作用と協調的意思決定を研究するために設計された生成シミュレーションプラットフォームである。最強のLSMエージェントを除く全てのエージェントは、GovSimの持続的均衡を達成することができず、生存率は54%以下である。道徳的思考の理論である「大学化」に基づく推論を活用するエージェントは、持続可能性を大幅に向上できることを示す。
論文参考訳（メタデータ） (2024-04-25T15:59:16Z)
LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文参考訳（メタデータ） (2024-02-26T07:33:05Z)
Rethinking Machine Unlearning for Large Language Models [85.92660644100582]
大規模言語モデル(LLM)の領域における機械学習の研究このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文参考訳（メタデータ） (2024-02-13T20:51:58Z)
LLMind: Orchestrating AI and IoT with LLM for Complex Task Execution [18.816077341295628]
我々は,IoTデバイス間の効果的なコラボレーションを可能にするタスク指向AIフレームワークであるLLMindを紹介する。脳の機能的特殊化理論に触発されて、我々のフレームワークはLLMとドメイン固有のAIモジュールを統合する。複数のドメイン固有のAIモジュールとIoTデバイスのコラボレーションを含む複雑なタスクは、コントロールスクリプトを介して実行される。
論文参考訳（メタデータ） (2023-12-14T14:57:58Z)
FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文参考訳（メタデータ） (2023-09-01T09:40:36Z)

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。