論文の概要: A Production-Ready Machine Learning System for Inclusive Employment: Requirements Engineering and Implementation of AI-Driven Disability Job Matching Platform
- arxiv url: http://arxiv.org/abs/2508.11713v1
- Date: Thu, 14 Aug 2025 12:17:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.295559
- Title: A Production-Ready Machine Learning System for Inclusive Employment: Requirements Engineering and Implementation of AI-Driven Disability Job Matching Platform
- Title（参考訳）: 包括的雇用のための生産可能な機械学習システム:AI駆動型障害ジョブマッチングプラットフォームの構築と実装の必要性
- Authors: Oleksandr Kuznetsov, Michele Melchiori, Emanuele Frontoni, Marco Arnesano,
- Abstract要約: イタリアでは障害者の雇用は依然として極めて低く、強制雇用の定員は3.5%に過ぎなかった。
我々のゴールは、人間による意思決定の監督を維持しつつ、社会的責任要件を統合した障害雇用マッチングのための生産可能な機械学習システムを開発することである。
このシステムは90.1%のF1スコアと100ms以下のレスポンスタイムを達成し、50,000の候補-パートナーの組み合わせを10分以内で処理する。
- 参考スコア（独自算出の注目度）: 20.821562115822182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Employment inclusion of people with disabilities remains critically low in Italy, with only 3.5% employed nationally despite mandatory hiring quotas. Traditional manual matching processes require 30-60 minutes per candidate, creating bottlenecks that limit service capacity. Our goal is to develop and validate a production-ready machine learning system for disability employment matching that integrates social responsibility requirements while maintaining human oversight in decision-making. We employed participatory requirements engineering with Centro per l'Impiego di Villafranca di Verona professionals. The system implements a seven-model ensemble with parallel hyperparameter optimization using Optuna. Multi-dimensional scoring combines semantic compatibility, geographic distance, and employment readiness assessment. The system achieves 90.1% F1-score and sub-100ms response times while processing 500,000 candidate-company combinations in under 10 minutes. Expert validation confirms 60-100% capacity increases for employment centers. The LightGBM ensemble shows optimal performance with 94.6-second training time. Thus, advanced AI systems can successfully integrate social responsibility requirements without compromising technical performance. The participatory design methodology provides a replicable framework for developing ethical AI applications in sensitive social domains. The complete system, including source code, documentation, and deployment guides, is openly available to facilitate replication and adaptation by other regions and countries facing similar challenges.
- Abstract（参考訳）: イタリアでは障害者の雇用は依然として著しく低く、強制雇用の定員は3.5%に過ぎなかった。
従来の手動マッチングプロセスでは、候補毎に30～60分が必要で、サービスのキャパシティを制限するボトルネックが発生します。
我々のゴールは、人間による意思決定の監督を維持しつつ、社会的責任要件を統合した障害雇用マッチングのための生産可能な機械学習システムを開発し、検証することである。
私たちはCentro per l'Impiego di Villafranca di Veronaのプロフェッショナルと参加要件エンジニアリングを採用しました。
このシステムは、Optunaを用いた並列ハイパーパラメータ最適化を備えた7モデルアンサンブルを実装している。
多次元スコアリングは、意味的適合性、地理的距離、雇用準備性評価を組み合わせたものである。
このシステムは90.1%のF1スコアと100ms以下のレスポンスタイムを達成し、50,000の候補-パートナーの組み合わせを10分以内で処理する。
専門家による検証では、雇用センターの能力は60-100%向上している。
LightGBMアンサンブルは94.6秒のトレーニング時間で最適な性能を示す。
これにより、高度なAIシステムは、技術的パフォーマンスを損なうことなく、社会的責任要件をうまく統合することができる。
参加型デザイン方法論は、センシティブな社会的ドメインにおける倫理的AIアプリケーションを開発するための、複製可能なフレームワークを提供する。
ソースコード、ドキュメンテーション、デプロイメントガイドを含む完全なシステムは、同様の課題に直面している他の地域や国によるレプリケーションと適応を容易にするために、オープンソース化されている。
関連論文リスト
- AI+HW 2035: Shaping the Next Decade [135.53570243498987]
人工知能(AI)とハードウェア(HW)は前例のない速度で進歩している。
このビジョンペーパーは、AI+HWの共同設計と共同開発のための10年間のロードマップをレイアウトし、アルゴリズム、アーキテクチャ、システム、持続可能性にまたがる。
主要な課題と機会を特定し、潜在的な障害や落とし穴を効果的に評価し、統合されたソリューションを提案する。
論文 参考訳（メタデータ） (2026-03-05T14:36:33Z) - SkillNet: Create, Evaluate, and Connect AI Skills [159.47504178122156]
SkillNetは、大規模にAIスキルを作成し、評価し、組織化するように設計されたオープンインフラストラクチャである。
私たちのインフラストラクチャは、20万を超えるスキルのリポジトリ、インタラクティブなプラットフォーム、多目的Pythonツールキットを統合しています。
論文 参考訳（メタデータ） (2026-02-26T14:24:02Z) - AI-Driven Decision-Making System for Hiring Process [0.0]
本稿では,AIによるモジュール型マルチエージェント採用アシスタントを提案する。
i)文書とビデオ前処理、(ii)構造化された候補プロファイルの構築、(iii)公開データ検証、(iv)明示的なリスクペナルティによる技術的/文化的な評価、(v)対話型インターフェースによる人文間検証を統合している。
論文 参考訳（メタデータ） (2025-12-17T18:45:17Z) - AI Autonomy Coefficient ($α$): Defining Boundaries for Responsible AI Systems [0.15293427903448018]
現代のAIシステムの統合性は、Human-in-the-Loopモデルの誤用によって損なわれる。
機能独立の定量的レベルを示すためにAIシステムを必要とするAI-First, Human-Empowered(AFHE)パラダイムを導入する。
AFHEは、現代のAIシステムにおいて、検証可能な自律性、透明性、持続的な保守性を保証するためのメトリック駆動型アプローチを提供する、と結論付けています。
論文 参考訳（メタデータ） (2025-12-12T05:41:20Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Higher Satisfaction, Lower Cost: A Technical Report on How LLMs Revolutionize Meituan's Intelligent Interaction Systems [67.18731675163589]
本稿では,産業アプリケーションに適したインテリジェントインタラクションシステムであるWOWServiceを紹介する。
LLMとマルチエージェントアーキテクチャの統合により、WOWServiceは自律的なタスク管理と協調的な問題解決を可能にします。
WOWServiceはMeituan App上にデプロイされ、主要なメトリクスの大幅な向上を実現している。
論文 参考訳（メタデータ） (2025-10-15T08:35:51Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game [50.6166553799783]
効率的なIIoT操作は、モデル品質とトレーニング遅延の間のトレードオフを必要とする。
本稿では,データサイズ,情報時代(AoI),メタコンピューティングのトレーニング遅延を考慮した満足度関数を設計する。
我々は、スタックルバーグ均衡を学ぶために、深い強化学習アプローチを採用する。
論文 参考訳（メタデータ） (2025-02-10T03:33:36Z) - Efficient Multi-Task Inferencing with a Shared Backbone and Lightweight Task-Specific Adapters for Automatic Scoring [1.2556373621040728]
本稿では,タスク固有の微調整のための軽量LoRAアダプタにより拡張された共有バックボーンモデルアーキテクチャを提案する。
GPUメモリ消費を60%削減し、推論遅延を40%削減しながら、競争力のあるパフォーマンスを実現している。
この結果は、自動スコアリングシステムにおける公正性と透明性を維持しながら、学習結果を向上するスケーラブルなAIの可能性を強調している。
論文 参考訳（メタデータ） (2024-12-30T16:34:11Z) - Zero-touch realization of Pervasive Artificial Intelligence-as-a-service
in 6G networks [8.500820283596774]
ブロックチェーンベースのスマートシステムをサポートする6Gネットワークに,ゼロタッチPAI-as-a-Service(PAI)をデプロイするための,新たなプラットフォームアーキテクチャを導入する。
本稿では,提案システムによる6Gネットワークの動的特性の自己最適化と自己適応性を評価する概念実証について述べる。
論文 参考訳（メタデータ） (2023-07-21T10:02:24Z) - End-to-end Adaptive Distributed Training on PaddlePaddle [10.855328649169293]
分散トレーニングフレームワークを体系的なエンドツーエンドのビューで設計し、さまざまなシナリオに適応機能を提供する。
統一分散グラフと統一クラスタオブジェクトに基づいて,我々の適応型フレームワークは,グローバルコストモデルとグローバルプランナを備えている。
実験により、我々のフレームワークはアプリケーションの多様性から様々な要件を満たすことができることが示された。
論文 参考訳（メタデータ） (2021-12-06T03:00:32Z)
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。