論文の概要: SYMBIOSIS: Systems Thinking and Machine Intelligence for Better Outcomes in Society
- arxiv url: http://arxiv.org/abs/2503.05857v1
- Date: Fri, 07 Mar 2025 17:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:52:51.571328
- Title: SYMBIOSIS: Systems Thinking and Machine Intelligence for Better Outcomes in Society
- Title（参考訳）: SYMBIOSIS:社会におけるより良い成果のためのシステム思考とマシンインテリジェンス
- Authors: Sameer Sethi, Donald Martin Jr., Emmanuel Klu,
- Abstract要約: SYMBIOSISはAIを利用したフレームワークとプラットフォームで、システム思考が社会的な課題に対処できるように設計されている。
そこで我々は,複雑なシステム表現を自然言語に変換する生成コパイロットを開発した。
SYMBIOSISは、責任と社会中心のAIに関する将来の研究を解き放つための基礎的なステップとして機能することを目指している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This paper presents SYMBIOSIS, an AI-powered framework and platform designed to make Systems Thinking accessible for addressing societal challenges and unlock paths for leveraging systems thinking frameworks to improve AI systems. The platform establishes a centralized, open-source repository of systems thinking/system dynamics models categorized by Sustainable Development Goals (SDGs) and societal topics using topic modeling and classification techniques. Systems Thinking resources, though critical for articulating causal theories in complex problem spaces, are often locked behind specialized tools and intricate notations, creating high barriers to entry. To address this, we developed a generative co-pilot that translates complex systems representations - such as causal loop and stock-flow diagrams - into natural language (and vice-versa), allowing users to explore and build models without extensive technical training. Rooted in community-based system dynamics (CBSD) and informed by community-driven insights on societal context, we aim to bridge the problem understanding chasm. This gap, driven by epistemic uncertainty, often limits ML developers who lack the community-specific knowledge essential for problem understanding and formulation, often leading to ill informed causal assumptions, reduced intervention effectiveness and harmful biases. Recent research identifies causal and abductive reasoning as crucial frontiers for AI, and Systems Thinking provides a naturally compatible framework for both. By making Systems Thinking frameworks more accessible and user-friendly, SYMBIOSIS aims to serve as a foundational step to unlock future research into responsible and society-centered AI. Our work underscores the need for ongoing research into AI's capacity to understand essential characteristics of complex adaptive systems paving the way for more socially attuned, effective AI systems.
- Abstract（参考訳）: 本稿では,AIを活用したフレームワークとプラットフォームであるSYMBIOSISについて述べる。
このプラットフォームは、持続可能な開発目標(SDG)とトピックモデリングと分類技術を用いた社会トピックによって分類された、システム思考/システムダイナミクスモデルの集中的なオープンソースリポジトリを確立する。
システム思考資源は、複雑な問題空間における因果論を明確にするために重要であるが、しばしば特殊なツールの陰に閉じ込められ、記法が複雑になり、参入の障壁が高くなる。
そこで我々は,複雑なシステム表現(因果ループやストックフロー図など)を自然言語(および逆逆数)に変換する生成コパイロットを開発した。
コミュニティベースのシステムダイナミクス (CBSD) に根ざし, 社会的文脈に関するコミュニティ主導の洞察から情報を得て, 問題理解の枠組みを橋渡しすることを目指す。
このギャップはてんかんの不確実性によって引き起こされ、しばしば、問題理解と定式化に不可欠なコミュニティ固有の知識を欠いているML開発者を制限する。
最近の研究は、因果推論と帰納的推論をAIの重要なフロンティアとして認識し、システム思考はどちらも自然に互換性のあるフレームワークを提供する。
Systems Thinkingフレームワークをよりアクセシビリティとユーザフレンドリにすることで、SYMBIOSISは、責任と社会中心のAIに関する将来の研究を解放するための基本的なステップとして機能することを目指している。
我々の研究は、複雑な適応システムの本質的な特性を理解するために、AIの能力に関する継続的な研究の必要性を強調し、より社会的に直感的で効果的なAIシステムへの道を開く。
関連論文リスト
- Lessons from complexity theory for AI governance [1.6122472145662998]
複雑性理論は、政策立案者にとって中心的な課題となるAIの特徴を照らすのに役立つ。
我々は、AI管理の取り組みが深刻な不確実性によってどのように特徴付けられるかを検討する。
我々は,AIガバナンスのタイミングと構造に関して,複雑性に適合する一連の原則を提案する。
論文 参考訳（メタデータ） (2025-01-07T07:56:40Z) - Imagining and building wise machines: The centrality of AI metacognition [78.76893632793497]
AIシステムは知恵を欠いている。
AI研究はタスクレベルの戦略に焦点を当てているが、メタ認知はAIシステムでは未発達である。
メタ認知機能をAIシステムに統合することは、その堅牢性、説明可能性、協力性、安全性を高めるために不可欠である。
論文 参考訳（メタデータ） (2024-11-04T18:10:10Z) - Preparing for Super-Reactivity: Early Fault-Detection in the Development of Exceedingly Complex Reactive Systems [1.6298172960110866]
構築と振る舞いが複雑で、常に変化し、進化しているリアクティブシステムを指すために、Super-Reactive Systemsという用語を紹介します。
計画と開発の初期段階でそのようなシステムに隠れた欠陥を見つけることは、人間の安全、環境、社会、経済にとって重要である。
本稿では,障壁を克服し,シミュレーション,系統解析,故障検出とハンドリングを可能にするモデルとツールのアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-03T16:08:30Z) - Position Paper: Agent AI Towards a Holistic Intelligence [53.35971598180146]
エージェントAI - 大きな基盤モデルをエージェントアクションに統合する具体的システム。
本稿では,エージェント・ファウンデーション・モデル(エージェント・ファウンデーション・モデル)を提案する。
論文 参考訳（メタデータ） (2024-02-28T16:09:56Z) - Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic
Systems [67.01132165581667]
本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。
本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
論文 参考訳（メタデータ） (2023-11-13T21:20:17Z) - Proceedings of the Robust Artificial Intelligence System Assurance
(RAISA) Workshop 2022 [0.0]
RAISAワークショップは、堅牢な人工知能(AI)と機械学習(ML)システムの研究、開発、応用に焦点を当てる。
特定のMLアルゴリズムに関してロバストネスを研究するのではなく、システムアーキテクチャのレベルでロバストネスの保証を検討することを目的としています。
論文 参考訳（メタデータ） (2022-02-10T01:15:50Z) - Towards Autonomous Satellite Communications: An AI-based Framework to
Address System-level Challenges [0.0]
次世代の衛星コンステレーションは、我々のコネクテッド・ソサエティの将来的なニーズに対処するために設計されている。
完全に自律的な衛星システムを実現するための明確な道はまだない。
本稿では,衛星の自律性を高めるために必要なシステムレベルのニーズを特徴付けることによって,このギャップを埋めようとしている。
論文 参考訳（メタデータ） (2021-12-11T19:36:58Z) - Scholarly AI system diagrams as an access point to mental models [6.233820957059352]
人工知能(AI)システムのような複雑なシステムは、多くの相互関連コンポーネントで構成されている。
これらのシステムを表現するためには、コンポーネント間の関係を示すことが不可欠です。
図は「関係のアイコン」として、複雑なシステムを示すための一般的な媒体です。
論文 参考訳（メタデータ） (2021-04-30T07:55:18Z) - 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) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。