論文の概要: Towards an Approach for Evaluating the Impact of AI Standards The use case of entity resolution

• arxiv url: http://arxiv.org/abs/2506.13839v2
• Date: Mon, 18 Aug 2025 14:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.074518
• Title: Towards an Approach for Evaluating the Impact of AI Standards The use case of entity resolution
• Title（参考訳）: AI標準の影響評価へのアプローチ : エンティティ・レゾリューションのユースケース
• Authors: Julia Lane,
• Abstract要約: 本論文は,エンティティ・リゾリューションに標準の評価をどのように適用できるかを概観するものである。 なぜなら、人や組織のようなエンティティの高品質なデータは、多くのAIシステムにとって不可欠だからです。 機械学習の手法という形でのAIの利用は、現代のニーズには当てはまらないアプローチであるため、ますます重要になっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper is intended to provide an overview of how the evaluation of standards could be applied to entity resolution, or record linkage. Data quality is of critical importance for many AI applications, and the quality of data, particularly on individuals and businesses, depends critically, in turn, on the quality of the match of entities across different files. Getting entity resolution right is important, because high quality data on entities like people or organization are essential to many AI systems; creating high quality data increasingly requires correctly classifying information that comes from different sources as generated by the same entity. But it is also very difficult because data on the same entity that are acquired from different sources are often inconsistent and have to be carefully reconciled. The use of AI, in the form of machine learning methods, is becoming increasingly important because other approaches are less applicable for modern needs. In particular, manual methods to link data are too costly and slow to scale, and probabilistic methods are inappropriate in the increasingly frequent cases where unique identifiers are not available. The particular focus is on Learning Employment Records, which is a high profile example of the value of entity resolution
• Abstract（参考訳）: 本論文は、エンティティ・リゾリューションやレコード・リンケージに標準の評価をどのように適用できるかを概観することを目的としている。 データ品質は、多くのAIアプリケーションにとって非常に重要であり、データの品質は、特に個人やビジネスにおいて、異なるファイル間でのエンティティのマッチングの品質に批判的に依存する。 人や組織のようなエンティティの高品質なデータは、多くのAIシステムにとって不可欠である; 高品質なデータを作成するには、同じエンティティによって生成された異なるソースから得られる情報を正しく分類する必要がある。 しかし、異なるソースから取得された同一エンティティのデータはしばしば一貫性がなく、慎重に調整する必要があるため、非常に難しい。 機械学習の手法という形でのAIの利用は、現代のニーズには当てはまらないアプローチであるため、ますます重要になっている。 特に、データをリンクする手動の手法はコストがかかりすぎてスケールが遅く、ユニークな識別子が利用できないケースでは確率的手法が不適切である。 特に注目されているのは、エンティティ解決の価値の高いプロファイル例であるLearning Employment Recordsである。

関連論文リスト

• Evaluation Framework for AI Systems in "the Wild" [37.48117853114386]
  ジェネレーティブAI(GenAI)モデルは、業界全体で重要になっているが、現在の評価手法は、その普及に適応していない。 従来の評価は、しばしばベンチマークや固定データセットに依存し、実世界のパフォーマンスを反映しないことが多い。 本稿では,実世界のGenAIシステムを評価するための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-04-23T14:52:39Z)
• HH4AI: A methodological Framework for AI Human Rights impact assessment under the EUAI ACT [1.7754875105502606]
  論文では、自律性、データ、目標指向設計によって駆動される、AIの変革的な性質を強調している。 重要な課題は、業界全体での“ハイリスク”なAIシステムの定義と評価である。 リスクを分離し、評価するために設計されたゲートベースのフレームワークである、基本的権利影響評価(FRIA)手法を提案する。
  論文  参考訳（メタデータ） (2025-03-23T19:10:14Z)
• Securing External Deeper-than-black-box GPAI Evaluations [49.1574468325115]
  本稿では,汎用AI(GPAI)モデルの安全かつ効果的な外部評価を行う上での課題と可能性について検討する。 サイズ、能力、到達度、付随するリスクの指数的な増加により、説明責任、安全性、および公的な信頼を保証するには、従来のブラックボックスメソッドを超えるフレームワークが必要である。
  論文  参考訳（メタデータ） (2025-03-10T16:13:45Z)
• On Benchmarking Human-Like Intelligence in Machines [77.55118048492021]
  現在のAI評価パラダイムは、人間のような認知能力を評価するには不十分である、と我々は主張する。 人為的なラベルの欠如、人間の反応の多様性と不確実性の表現の不適切な表現、単純で生態学的に無意味なタスクへの依存。
  論文  参考訳（メタデータ） (2025-02-27T20:21:36Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Where Assessment Validation and Responsible AI Meet [0.0876953078294908]
  本稿では,古典的テスト検証理論と評価固有のドメインに依存しないRAIの原則と実践を考察する統合評価フレームワークを提案する。 このフレームワークは、妥当性議論をサポートする評価のための責任あるAI使用、人間の価値と監視を維持するためのAI倫理との整合性、そしてAI使用に関連するより広範な社会的責任に対処する。
  論文  参考訳（メタデータ） (2024-11-04T20:20:29Z)
• Measuring Value Alignment [12.696227679697493]
  本稿では,AIシステムと人的価値の整合性を定量化する新しいフォーマリズムを提案する。 このフォーマリズムを利用することで、AI開発者と倫理学者は、人間の価値と調和して動作するように、AIシステムを設計し、評価することができる。
  論文  参考訳（メタデータ） (2023-12-23T12:30:06Z)
• Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
  人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• Towards a multi-stakeholder value-based assessment framework for algorithmic systems [76.79703106646967]
  我々は、価値間の近さと緊張を可視化する価値に基づくアセスメントフレームワークを開発する。 我々は、幅広い利害関係者に評価と検討のプロセスを開放しつつ、それらの運用方法に関するガイドラインを提示する。
  論文  参考訳（メタデータ） (2022-05-09T19:28:32Z)
• An interdisciplinary conceptual study of Artificial Intelligence (AI) for helping benefit-risk assessment practices: Towards a comprehensive qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
  本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。 目的は、AIシステムを評価するための共有概念や相違点を特定することである。
  論文  参考訳（メタデータ） (2021-05-07T12:01:31Z)
• A Framework for Ethical AI at the United Nations [0.0]
  本稿では、人工知能(AI)における倫理的懸念と、それらのリスクを軽減するために必要な枠組みの概要を提供する。 これは、国連(UN)におけるAIの開発と利用が当社の倫理的価値観に合致するようにするための実用的な道筋を提案します。
  論文  参考訳（メタデータ） (2021-04-09T23:44:37Z)

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。