論文の概要: Exploring the Innovation Opportunities for Pre-trained Models

• arxiv url: http://arxiv.org/abs/2505.15790v1
• Date: Wed, 21 May 2025 17:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.809095
• Title: Exploring the Innovation Opportunities for Pre-trained Models
• Title（参考訳）: 事前学習モデルにおけるイノベーションの可能性を探る
• Authors: Minjung Park, Jodi Forlizzi, John Zimmerman,
• Abstract要約: 事前訓練されたモデルは、AIイノベーションの世界を変えました。 事前訓練されたモデルが成功する場所を理解することは、AIイノベーションをサポートする上で重要である。 研究アプリケーションは、技術的な能力を示し、実際のユーザニーズに対処し、倫理的な課題を避ける。
• 参考スコア（独自算出の注目度）: 8.897905748718186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Innovators transform the world by understanding where services are successfully meeting customers' needs and then using this knowledge to identify failsafe opportunities for innovation. Pre-trained models have changed the AI innovation landscape, making it faster and easier to create new AI products and services. Understanding where pre-trained models are successful is critical for supporting AI innovation. Unfortunately, the hype cycle surrounding pre-trained models makes it hard to know where AI can really be successful. To address this, we investigated pre-trained model applications developed by HCI researchers as a proxy for commercially successful applications. The research applications demonstrate technical capabilities, address real user needs, and avoid ethical challenges. Using an artifact analysis approach, we categorized capabilities, opportunity domains, data types, and emerging interaction design patterns, uncovering some of the opportunity space for innovation with pre-trained models.
• Abstract（参考訳）: イノベーターは、サービスが顧客のニーズを満たすのに成功する場所を理解し、この知識を使用してイノベーションのフェイルセーフな機会を特定することで世界を変えます。 事前訓練されたモデルは、AIイノベーションの展望を変え、新しいAI製品やサービスの開発を迅速かつ容易にする。 事前訓練されたモデルが成功する場所を理解することは、AIイノベーションをサポートする上で重要である。 残念ながら、事前訓練されたモデルを取り巻くハイプサイクルは、AIが実際に成功する場所を知るのを難しくしている。 そこで本研究では,HCI研究者が商業的に成功したアプリケーションのためのプロキシとして開発した,事前学習型モデルアプリケーションについて検討した。 研究アプリケーションは、技術的な能力を示し、実際のユーザニーズに対処し、倫理的課題を避ける。 アーティファクト分析アプローチを使用して、能力、機会ドメイン、データタイプ、出現する相互作用デザインパターンを分類し、事前訓練されたモデルで革新の機会空間を明らかにしました。

関連論文リスト

• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• From Generative AI to Innovative AI: An Evolutionary Roadmap [0.0]
  本稿では,ジェネレーティブ・人工知能(GenAI)からイノベーティブ・人工知能(InAI)への移行について検討する。 この文脈では、イノベーションは、学習したデータの単なる複製を超えて、新しく有用なアウトプットを生成する能力として定義される。 本稿では、コンテンツを生成し、自律的な問題解決と創造的思考に携わるAIシステム開発のためのロードマップを提案する。
  論文  参考訳（メタデータ） (2025-03-14T14:03:28Z)
• Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report [12.204470166456561]
  ジェネレーティブAIは、健康経済学と成果研究(HEOR)において大きな可能性を秘めている 生成AIは、HEORに大きな可能性を示し、効率性、生産性を高め、複雑な課題に対する新しいソリューションを提供する。 ファウンデーションモデルは複雑なタスクを自動化する上で有望だが、科学的信頼性、バイアス、解釈可能性、ワークフローの統合には課題が残っている。
  論文  参考訳（メタデータ） (2024-10-26T15:42:50Z)
• Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future [4.497001527881303]
  本研究は、フェデレーション学習における生成AIの潜在的な統合について検討する。 GAN(generative adversarial Network)とVAE(variantal autoencoder) 合成データの生成は、限られたデータ可用性に関連する課題に、フェデレートされた学習を支援する。
  論文  参考訳（メタデータ） (2024-07-25T19:43:49Z)
• Reusable MLOps: Reusable Deployment, Reusable Infrastructure and Hot-Swappable Machine Learning models and services [0.0]
  私たちは、Reusable MLOpsと呼ばれるAI/MLオペレーションの分野で、持続可能な新しい概念を紹介します。 既存のデプロイメントとインフラストラクチャを再利用して、インフラストラクチャやマイクロサービスを分解することなく、それらをホットスワッピングすることで、新しいモデルを提供しています。
  論文  参考訳（メタデータ） (2024-02-19T23:40:46Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Learning from learning machines: a new generation of AI technology to meet the needs of science [59.261050918992325]
  科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。 産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
  論文  参考訳（メタデータ） (2021-11-27T00:55:21Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)

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。