論文の概要: EmbedGenius: Towards Automated Software Development for Generic Embedded IoT Systems
- arxiv url: http://arxiv.org/abs/2412.09058v1
- Date: Thu, 12 Dec 2024 08:34:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:34:32.025816
- Title: EmbedGenius: Towards Automated Software Development for Generic Embedded IoT Systems
- Title（参考訳）: EmbedGenius: ジェネリック組み込みIoTシステムのためのソフトウェア開発自動化を目指す
- Authors: Huanqi Yang, Mingzhe Li, Mingda Han, Zhenjiang Li, Weitao Xu,
- Abstract要約: 本稿では,汎用IoTシステムのための,最初の完全自動化ソフトウェア開発プラットフォームであるEmbedGeniusを紹介する。
鍵となるアイデアは、Large Language Models(LLM)の推論能力と組み込みシステムの専門知識を活用して、ループ内ハードウェア開発プロセスを自動化することである。
71のモジュールと350以上のIoTタスクを備えた4つのメインストリームの組み込み開発プラットフォームで、EmbedGeniusのパフォーマンスを評価しました。
- 参考スコア（独自算出の注目度）: 11.524778651869044
- License:
- Abstract: Embedded IoT system development is crucial for enabling seamless connectivity and functionality across a wide range of applications. However, such a complex process requires cross-domain knowledge of hardware and software and hence often necessitates direct developer involvement, making it labor-intensive, time-consuming, and error-prone. To address this challenge, this paper introduces EmbedGenius, the first fully automated software development platform for general-purpose embedded IoT systems. The key idea is to leverage the reasoning ability of Large Language Models (LLMs) and embedded system expertise to automate the hardware-in-the-loop development process. The main methods include a component-aware library resolution method for addressing hardware dependencies, a library knowledge generation method that injects utility domain knowledge into LLMs, and an auto-programming method that ensures successful deployment. We evaluate EmbedGenius's performance across 71 modules and four mainstream embedded development platforms with over 350 IoT tasks. Experimental results show that EmbedGenius can generate codes with an accuracy of 95.7% and complete tasks with a success rate of 86.5%, surpassing human-in-the-loop baselines by 15.6%--37.7% and 25.5%--53.4%, respectively. We also show EmbedGenius's potential through case studies in environmental monitoring and remote control systems development.
- Abstract（参考訳）: 組み込みIoTシステム開発は、幅広いアプリケーションにまたがるシームレスな接続性と機能を実現するために不可欠である。
しかし、そのような複雑なプロセスはハードウェアとソフトウェアのクロスドメインな知識を必要とするため、しばしば直接開発者の関与を必要とするため、労働集約的、時間を要する、エラーを起こしやすい。
この課題に対処するために,汎用IoTシステムのための,最初の完全に自動化されたソフトウェア開発プラットフォームであるEmbedGeniusを紹介する。
鍵となるアイデアは、Large Language Models(LLM)の推論能力と組み込みシステムの専門知識を活用して、ループ内ハードウェア開発プロセスを自動化することである。
主な手法は、ハードウェア依存に対処するコンポーネント対応ライブラリ解決方法、LCMにユーティリティドメイン知識を注入するライブラリ知識生成方法、デプロイを成功させる自動プログラミング方法である。
71のモジュールと350以上のIoTタスクを備えた4つのメインストリームの組み込み開発プラットフォームで、EmbedGeniusのパフォーマンスを評価しました。
実験の結果、EmbedGeniusは精度95.7%のコードを生成することができ、成功率は86.5%であり、それぞれ15.6%--37.7%、25.5%--53.4%である。
また,環境モニタリングと遠隔制御システム開発におけるEmbedGeniusの可能性について,事例研究を通じて紹介する。
関連論文リスト
- Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - Spider2-V: How Far Are Multimodal Agents From Automating Data Science and Engineering Workflows? [73.81908518992161]
我々は、プロのデータサイエンスとエンジニアリングに焦点を当てた最初のマルチモーダルエージェントベンチマークであるSpider2-Vを紹介する。
Spider2-Vは、本物のコンピュータ環境における現実世界のタスクを特徴とし、20のエンタープライズレベルのプロフェッショナルアプリケーションを組み込んでいる。
これらのタスクは、エンタープライズデータソフトウェアシステムにおいて、コードを書き、GUIを管理することで、マルチモーダルエージェントがデータ関連のタスクを実行する能力を評価する。
論文 参考訳（メタデータ） (2024-07-15T17:54:37Z) - IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - CodePori: Large-Scale System for Autonomous Software Development Using Multi-Agent Technology [4.2990995991059275]
大規模言語モデル(LLM)とGPT(Generative Pre-trained Transformer)は、ソフトウェア工学の分野を変えました。
我々は,大規模かつ複雑なソフトウェアプロジェクトのコード生成を自動化するように設計された,新しいシステムであるCodePoriを紹介する。
結果: CodePoriは、典型的なソフトウェア開発プロセスに合わせて、大規模プロジェクトの実行コードを生成することができる。
論文 参考訳（メタデータ） (2024-02-02T13:42:50Z) - Exploring and Characterizing Large Language Models For Embedded System
Development and Debugging [10.967443876391611]
大規模言語モデル (LLM) は、コードを生成する際、顕著な能力を示しているが、組み込みシステム用のソフトウェアを開発する能力は研究されていない。
我々は,組込みシステム開発におけるLLMの能力と限界を評価するためのオープンソースフレームワークを開発した。
この発見を利用して、人間のプログラマがこれらのツールとどのように相互作用するかを研究し、組み込みシステムを構築するためのヒューマンAIベースのソフトウェアエンジニアリングワークフローを開発する。
論文 参考訳（メタデータ） (2023-07-07T20:14:22Z) - VEDLIoT -- Next generation accelerated AIoT systems and applications [4.964750143168832]
VEDLIoTプロジェクトは、分散人工知能(AIoT)アプリケーションのためのエネルギー効率のよいディープラーニング方法論の開発を目指している。
我々は,AIoTシステムに固有の安全性とセキュリティ問題に対処しながら,アルゴリズムの最適化に重点を置いた総合的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-09T12:35:00Z) - The GitHub Development Workflow Automation Ecosystems [47.818229204130596]
大規模なソフトウェア開発は、非常に協力的な取り組みになっています。
この章では、開発ボットとGitHub Actionsのエコシステムについて解説する。
この領域における最先端技術に関する広範な調査を提供する。
論文 参考訳（メタデータ） (2023-05-08T15:24:23Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z) - A Self-Integration Testbed for Decentralized Socio-technical Systems [2.8360662552057323]
本稿では,モノのインターネット上で動作する分散型社会技術システムのための新しいテストベッドアーキテクチャを提案する。
これは、IoTアプリケーションによるアプリケーション非依存の分散サービスのシームレスな再利用と、同じ分散サービスによる異なるIoTアプリケーションのために設計されている。
数週間にわたる継続的運用中の圧力テストとクラッシュテストでは、80K以上のネットワーク結合とエージェントの離脱、2.4Mパラメータの変更、100Mの通信メッセージにより、テストベッドアーキテクチャの堅牢性と実用性が確認された。
論文 参考訳（メタデータ） (2020-02-06T12:18:28Z)
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。