論文の概要: Automating Business Intelligence Requirements with Generative AI and Semantic Search

• arxiv url: http://arxiv.org/abs/2412.07668v1
• Date: Tue, 10 Dec 2024 16:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:31.717790
• Title: Automating Business Intelligence Requirements with Generative AI and Semantic Search
• Title（参考訳）: 生成AIとセマンティック検索によるビジネスインテリジェンス要件の自動化
• Authors: Nimrod Busany, Ethan Hadar, Hananel Hadad, Gil Rosenblum, Zofia Maszlanka, Okhaide Akhigbe, Daniel Amyot,
• Abstract要約: 本稿では,ビジネスインテリジェンス(BI)要求の自動化と高速化を目的とした,AutoBIRと呼ばれる新しいAI駆動システムを提案する。 このシステムは、対話インタフェースを通じて利害関係者との直感的な対話を促進し、ユーザ入力をプロトタイプ解析コード、記述、データ依存に翻訳する。 ユーザのフィードバックを取り入れることで、BIレポートやシステム設計を洗練し、データ駆動意思決定の迅速化のための実践的な応用を実証する。
• 参考スコア（独自算出の注目度）: 0.5193262058345202
• License:
• Abstract: Eliciting requirements for Business Intelligence (BI) systems remains a significant challenge, particularly in changing business environments. This paper introduces a novel AI-driven system, called AutoBIR, that leverages semantic search and Large Language Models (LLMs) to automate and accelerate the specification of BI requirements. The system facilitates intuitive interaction with stakeholders through a conversational interface, translating user inputs into prototype analytic code, descriptions, and data dependencies. Additionally, AutoBIR produces detailed test-case reports, optionally enhanced with visual aids, streamlining the requirement elicitation process. By incorporating user feedback, the system refines BI reporting and system design, demonstrating practical applications for expediting data-driven decision-making. This paper explores the broader potential of generative AI in transforming BI development, illustrating its role in enhancing data engineering practice for large-scale, evolving systems.
• Abstract（参考訳）: ビジネスインテリジェンス(BI)システムの要件を緩和することは、特にビジネス環境の変化において重要な課題である。 本稿では,セマンティック検索とLarge Language Models(LLM)を活用し,BI要求仕様の自動化と高速化を行う,AutoBIRと呼ばれる新しいAI駆動システムを提案する。 このシステムは、対話インタフェースを通じて利害関係者との直感的な対話を促進し、ユーザ入力をプロトタイプ解析コード、記述、データ依存に翻訳する。 さらに、AutoBIRは詳細なテストケースレポートを生成する。 ユーザのフィードバックを取り入れることで、BIレポートやシステム設計を洗練し、データ駆動意思決定の迅速化のための実践的な応用を実証する。 本稿では、BI開発を変革する上での、生成AIの幅広い可能性について考察し、大規模で進化するシステムにおけるデータエンジニアリングの実践の強化におけるその役割について説明する。

関連論文リスト

• 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)
• Constraining Participation: Affordances of Feedback Features in Interfaces to Large Language Models [49.74265453289855]
  大規模言語モデル(LLM)は、コンピュータ、Webブラウザ、ブラウザベースのインターフェースによるインターネット接続を持つ人なら誰でも利用できるようになった。 本稿では,ChatGPTインタフェースにおける対話型フィードバック機能の可能性について検討し,ユーザ入力の形状やイテレーションへの参加について分析する。
  論文  参考訳（メタデータ） (2024-08-27T13:50:37Z)
• A Formal Model for Artificial Intelligence Applications in Automation Systems [41.19948826527649]
  本稿では,自動化システムにおけるAIアプリケーションの明確かつ構造化されたドキュメンテーションを提供するために,標準を用いた形式モデルを提案する。 自動化システム(AIAS)における人工知能の情報モデルは、設計パターンを利用して、自動化システムとAIソフトウェアの様々な側面をマッピングし、リンクする。
  論文  参考訳（メタデータ） (2024-07-03T15:05:32Z)
• Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation [1.6230958216521798]
  本研究では,事前学習された大規模言語モデル(LLM)を活用する可能性について検討する。 推論コアとしてChatGPT APIを採用することで、自然言語処理、メソノロジーベースのプロンプトチューニング、トランスフォーマーを含む統合ワークフローを概説する。 我々の方法論の成果は、広く採用されているオントロジー言語(OWL、RDF、SPARQLなど)の知識グラフである。
  論文  参考訳（メタデータ） (2024-05-29T16:40:31Z)
• 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)
• Collaborative business intelligence virtual assistant [1.9953434933575993]
  本研究では、ユーザとCBI仮想アシスタントのインタラクションを通じて、分散仮想チームにおけるデータマイニングの応用に焦点を当てる。 CBIのための仮想アシスタントは、より広い範囲のユーザのためのデータ探索アクセシビリティを強化し、データ分析に必要な時間と労力を合理化するためのものである。
  論文  参考訳（メタデータ） (2023-12-20T05:34:12Z)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Realistic simulation of users for IT systems in cyber ranges [63.20765930558542]
  ユーザアクティビティを生成するために,外部エージェントを用いて各マシンを計測する。 このエージェントは、決定論的および深層学習に基づく手法を組み合わせて、異なる環境に適応する。 また,会話や文書の作成を容易にする条件付きテキスト生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T10:53:29Z)
• Engineering an Intelligent Essay Scoring and Feedback System: An Experience Report [1.5168188294440734]
  専門的な採用支援サービスの顧客から提供されるエッセイの質を評価するための探索システムについて述べる。 オープンエンドの顧客提供のソーステキストがあいまいさとエラーのかなりの範囲を持っているため、問題領域は困難です。 また、専門的なビジネスドメイン知識をインテリジェントな処理システムに組み込む必要もあります。
  論文  参考訳（メタデータ） (2021-03-25T03:46:05Z)
• Towards an Interface Description Template for AI-enabled Systems [77.34726150561087]
  再利用(Reuse)は、システムアーキテクチャを既存のコンポーネントでインスタンス化しようとする、一般的なシステムアーキテクチャのアプローチである。 現在、コンポーネントが当初目的としていたものと異なるシステムで運用する可搬性を評価するために必要な情報の選択をガイドするフレームワークは存在しない。 我々は、AI対応コンポーネントの主情報をキャプチャするインターフェイス記述テンプレートの確立に向けて、現在進行中の作業について述べる。
  論文  参考訳（メタデータ） (2020-07-13T20:30:26Z)

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。