論文の概要: AutoIOT: LLM-Driven Automated Natural Language Programming for AIoT Applications

• arxiv url: http://arxiv.org/abs/2503.05346v1
• Date: Fri, 07 Mar 2025 11:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:25:32.440736
• Title: AutoIOT: LLM-Driven Automated Natural Language Programming for AIoT Applications
• Title（参考訳）: AutoIOT: AIoTアプリケーションのためのLLM駆動の自然言語プログラミング
• Authors: Leming Shen, Qiang Yang, Yuanqing Zheng, Mo Li,
• Abstract要約: 大規模言語モデル(LLM)は私たちの生活を大きく変え、AIとのインタラクションに革命をもたらし、AIの使用障壁を低くしています。 本稿では,AIoTアプリケーション用の自動プログラム生成装置であるAutoIOTを紹介する。
• 参考スコア（独自算出の注目度）: 16.47929288038498
• License:
• Abstract: The advent of Large Language Models (LLMs) has profoundly transformed our lives, revolutionizing interactions with AI and lowering the barrier to AI usage. While LLMs are primarily designed for natural language interaction, the extensive embedded knowledge empowers them to comprehend digital sensor data. This capability enables LLMs to engage with the physical world through IoT sensors and actuators, performing a myriad of AIoT tasks. Consequently, this evolution triggers a paradigm shift in conventional AIoT application development, democratizing its accessibility to all by facilitating the design and development of AIoT applications via natural language. However, some limitations need to be addressed to unlock the full potential of LLMs in AIoT application development. First, existing solutions often require transferring raw sensor data to LLM servers, which raises privacy concerns, incurs high query fees, and is limited by token size. Moreover, the reasoning processes of LLMs are opaque to users, making it difficult to verify the robustness and correctness of inference results. This paper introduces AutoIOT, an LLM-based automated program generator for AIoT applications. AutoIOT enables users to specify their requirements using natural language (input) and automatically synthesizes interpretable programs with documentation (output). AutoIOT automates the iterative optimization to enhance the quality of generated code with minimum user involvement. AutoIOT not only makes the execution of AIoT tasks more explainable but also mitigates privacy concerns and reduces token costs with local execution of synthesized programs. Extensive experiments and user studies demonstrate AutoIOT's remarkable capability in program synthesis for various AIoT tasks. The synthesized programs can match and even outperform some representative baselines.
• Abstract（参考訳）: 大規模言語モデル(LLM)の出現は、私たちの生活を大きく変え、AIとのインタラクションを革命させ、AI使用の障壁を低くしました。 LLMは主に自然言語の相互作用のために設計されているが、広範に埋め込まれた知識により、デジタルセンサーデータを理解することができる。 この能力により、LCMはIoTセンサやアクチュエータを通じて物理世界と関わり、多数のAIoTタスクを実行することができる。 その結果、この進化は従来のAIoTアプリケーション開発におけるパラダイムシフトを引き起こし、自然言語によるAIoTアプリケーションの設計と開発を促進することによって、すべてのアクセシビリティを民主化します。 しかしながら、AIoTアプリケーション開発におけるLLMの潜在能力を解放するためには、いくつかの制限に対処する必要がある。 まず、既存のソリューションでは、LLMサーバに生のセンサーデータを転送する必要がある場合が多い。 さらに、LCMの推論プロセスはユーザにとって不透明であり、推論結果の堅牢性と正確性を検証することは困難である。 本稿では,ALMをベースとしたAIoTアプリケーション用自動プログラム生成装置であるAutoIOTを紹介する。 AutoIOTは、ユーザーが自然言語(インプット)を使用して要求を指定でき、文書(アウトプット)で解釈可能なプログラムを自動的に合成する。 AutoIOTは反復最適化を自動化し、最小限のユーザ関与で生成されたコードの品質を向上させる。 AutoIOTは、AIoTタスクの実行をより説明しやすいものにするだけでなく、プライバシの懸念を軽減し、合成プログラムのローカル実行によるトークンコストを低減する。 大規模な実験とユーザスタディは、さまざまなAIoTタスクのためのプログラム合成におけるAutoIOTの顕著な能力を示している。 合成されたプログラムはマッチし、いくつかの代表的ベースラインを上回ります。

関連論文リスト

• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
  実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。 活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。 DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
  論文  参考訳（メタデータ） (2024-11-04T18:26:08Z)
• AIvril: AI-Driven RTL Generation With Verification In-The-Loop [0.7831852829409273]
  LLM(Large Language Models)は、複雑な自然言語処理タスクを実行できる計算モデルである。 本稿では,RTL対応LLMの精度と信頼性を高めるためのフレームワークであるAIvrilを紹介する。
  論文  参考訳（メタデータ） (2024-09-03T15:07:11Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [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。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Meaning-Typed Programming: Language-level Abstractions and Runtime for GenAI Applications [8.308424118055981]
  ソフトウェアは、論理コードから、生成的AIとアプリケーション機能に大規模言語モデル(LLM)を活用する神経統合アプリケーションへと、急速に進化している。 本稿では,神経統合型アプリケーションの作成を簡略化する新しい手法として,意味型プログラミング(MTP)を提案する。
  論文  参考訳（メタデータ） (2024-05-14T21:12:01Z)
• 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)
• GPT4AIGChip: Towards Next-Generation AI Accelerator Design Automation via Large Language Models [20.844806635710526]
  GPT4AIGChipは、人間の自然言語を活用してAIアクセラレータ設計を民主化するためのフレームワークである。 この研究は、LLMを利用した自動AIアクセラレータ生成のための効果的なパイプラインを初めて実証したものだ。
  論文  参考訳（メタデータ） (2023-09-19T16:14:57Z)
• Language to Rewards for Robotic Skill Synthesis [37.21434094015743]
  我々は,大規模言語モデル(LLM)を利用して,様々なロボットタスクを最適化し,達成可能な報酬パラメータを定義する新しいパラダイムを提案する。 LLMが生成する中間インタフェースとして報酬を用いることで、ハイレベルな言語命令と修正のギャップを、低レベルなロボット動作に効果的に埋めることができる。
  論文  参考訳（メタデータ） (2023-06-14T17:27:10Z)
• 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)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)

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。