論文の概要: Towards Automated Scoping of AI for Social Good Projects

• arxiv url: http://arxiv.org/abs/2504.20010v1
• Date: Mon, 28 Apr 2025 17:29:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.537333
• Title: Towards Automated Scoping of AI for Social Good Projects
• Title（参考訳）: ソーシャル・グッド・プロジェクトのためのAIの自動スコーピングに向けて
• Authors: Jacob Emmerson, Rayid Ghani, Zheyuan Ryan Shi,
• Abstract要約: 本稿では,科学文献と実世界の知識を基盤とした総合的なプロジェクト提案を生成する問題抽出エージェント(PSA)を提案する。 私たちのPSAフレームワークは、ブラインドレビューとAI評価を通じて、専門家が書いた提案に匹敵する提案を生成することを実証しています。
• 参考スコア（独自算出の注目度）: 8.600895107205083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence for Social Good (AI4SG) is an emerging effort that aims to address complex societal challenges with the powerful capabilities of AI systems. These challenges range from local issues with transit networks to global wildlife preservation. However, regardless of scale, a critical bottleneck for many AI4SG initiatives is the laborious process of problem scoping -- a complex and resource-intensive task -- due to a scarcity of professionals with both technical and domain expertise. Given the remarkable applications of large language models (LLM), we propose a Problem Scoping Agent (PSA) that uses an LLM to generate comprehensive project proposals grounded in scientific literature and real-world knowledge. We demonstrate that our PSA framework generates proposals comparable to those written by experts through a blind review and AI evaluations. Finally, we document the challenges of real-world problem scoping and note several areas for future work.
• Abstract（参考訳）: AI4SG(Artificial Intelligence for Social Good)は、AIシステムの強力な能力で複雑な社会的課題に対処することを目的とした、新たな取り組みである。 これらの課題は、交通網の地域問題から、地球規模の野生生物保護まで様々である。 しかし、スケールに関係なく、多くのAI4SGイニシアチブにとって重要なボトルネックは、技術的な専門知識とドメインの専門知識を持つプロフェッショナルが不足しているため、複雑でリソース集約的なタスクである問題解決の面倒なプロセスである。 大規模言語モデル (LLM) の顕著な応用を踏まえ, LLM を用いて科学文献や実世界の知識を基盤とした総合的なプロジェクト提案を生成する問題抽出エージェント (PSA) を提案する。 私たちのPSAフレームワークは、ブラインドレビューとAI評価を通じて、専門家が書いた提案に匹敵する提案を生成することを実証しています。 最後に、実世界の問題解決の課題を文書化し、今後の研究のいくつかの分野に注目する。

関連論文リスト

• An Empirical Exploration of ChatGPT's Ability to Support Problem Formulation Tasks for Mission Engineering and a Documentation of its Performance Variability [0.0]
  本稿では,大規模言語モデル(LLM)の品質と整合性について考察する。 我々は、関連する参照問題、NASAの宇宙ミッション設計課題を特定し、ChatGPT-3.5のステークホルダ識別タスクの実行能力を文書化する。 LLMは人間の利害関係者の識別には有効であるが, 外部システムや環境要因の認識には不十分であることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T17:58:23Z)
• Responsible Artificial Intelligence (RAI) in U.S. Federal Government : Principles, Policies, and Practices [0.0]
  人工知能(AI)と機械学習(ML)は、過去数十年で大きな進歩を遂げてきた。 AI/MLの急速な成長と、多くの民間および公共セクターのアプリケーションへの普及は成功したが、規制当局にとって新たな課題と障害が開かれた。 新たな意思決定AI/MLシステムには、人間による関与がほとんど、あるいはほとんど必要とされないため、これらのシステムの責任を負うことを保証する必要が迫られている。
  論文  参考訳（メタデータ） (2025-01-12T16:06:37Z)
• Towards Foundation-model-based Multiagent System to Accelerate AI for Social Impact [37.72844862625008]
  既存のAI4SI研究は、しばしば労働集約的かつリソース要求的である。 本稿では,このようなベースレベルのシステムの開発を加速するために,メタレベルのマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-10T19:29:34Z)
• OlympicArena: Benchmarking Multi-discipline Cognitive Reasoning for Superintelligent AI [73.75520820608232]
  我々は,11,163のバイリンガル問題を含む,テキストのみとインターリーブされたテキストイメージのモダリティを紹介する。 これらの課題には、7つのフィールドと62の国際オリンピック大会にわたる幅広い規律が含まれており、データ漏洩について厳格に調査されている。 我々の評価によると、GPT-4oのような先進モデルでさえ、複雑な推論とマルチモーダル統合における現在のAI制限を反映して、全体的な精度は39.97%しか達成していない。
  論文  参考訳（メタデータ） (2024-06-18T16:20:53Z)
• Artificial Intelligence in Industry 4.0: A Review of Integration Challenges for Industrial Systems [45.31340537171788]
  サイバー物理システム(CPS)は、予測保守や生産計画を含むアプリケーションに人工知能(AI)が活用できる膨大なデータセットを生成する。 AIの可能性を実証しているにもかかわらず、製造業のような分野に広く採用されていることは依然として限られている。
  論文  参考訳（メタデータ） (2024-05-28T20:54:41Z)
• Competition-Level Problems are Effective LLM Evaluators [121.15880285283116]
  本稿では,Codeforcesにおける最近のプログラミング問題の解決において,大規模言語モデル(LLM)の推論能力を評価することを目的とする。 まず,問題の発生時間,難易度,遭遇したエラーの種類など,様々な側面を考慮して,GPT-4の望ましくないゼロショット性能を総合的に評価する。 驚くべきことに、GPT-4のTheThoughtivedのパフォーマンスは、2021年9月以降、あらゆる困難と種類の問題に対して一貫して問題が減少するような崖を経験している。
  論文  参考訳（メタデータ） (2023-12-04T18:58:57Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• Empowering Local Communities Using Artificial Intelligence [70.17085406202368]
  人中心の観点から、AIが社会に与える影響を探求する上で重要なトピックとなっている。 市民科学におけるこれまでの研究は、AIを使って研究に大衆を巻き込む方法を特定してきた。 本稿では,コミュニティ市民科学にAIを適用する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-10-05T12:51:11Z)

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。