論文の概要: RED.AI Id-Pattern: First Results of Stone Deterioration Patterns with Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2508.13872v1
- Date: Tue, 19 Aug 2025 14:39:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.953558
- Title: RED.AI Id-Pattern: First Results of Stone Deterioration Patterns with Multi-Agent Systems
- Title（参考訳）: RED.AI Id-Pattern:マルチエージェントシステムによる石の劣化パターンの最初の結果
- Authors: Daniele Corradetti, José Delgado Rodrigues,
- Abstract要約: RED.AIプロジェクトにおけるId-Patternシステム(Reabilitaccao Estrutural Digital atrav's da AI)は、石の劣化パターンの識別を支援するために設計されたエージェントシステムである。
専門家チームによる直接的な観察に基づく従来の方法論は正確だが、時間とリソースの面ではコストがかかる。
最初の結果から,基本モデルと比較して,システムのすべての指標が大幅に向上したことが分かりました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Id-Pattern system within the RED.AI project (Reabilita\c{c}\~ao Estrutural Digital atrav\'es da AI) consists of an agentic system designed to assist in the identification of stone deterioration patterns. Traditional methodologies, based on direct observation by expert teams, are accurate but costly in terms of time and resources. The system developed here introduces and evaluates a multi-agent artificial intelligence (AI) system, designed to simulate collaboration between experts and automate the diagnosis of stone pathologies from visual evidence. The approach is based on a cognitive architecture that orchestrates a team of specialized AI agents which, in this specific case, are limited to five: a lithologist, a pathologist, an environmental expert, a conservator-restorer, and a diagnostic coordinator. To evaluate the system we selected 28 difficult images involving multiple deterioration patterns. Our first results showed a huge boost on all metrics of our system compared to the foundational model.
- Abstract（参考訳）: RED.AIプロジェクトにおけるId-Patternシステム(Reabilita\c{c}\~ao Estrutural Digital atrav\es da AI)は、石の劣化パターンの識別を支援するために設計されたエージェントシステムである。
専門家チームによる直接的な観察に基づく従来の方法論は正確だが、時間とリソースの面ではコストがかかる。
本システムでは,専門家間のコラボレーションをシミュレートし,視覚的証拠から石の病理診断を自動化する多エージェント人工知能(AI)システムを導入,評価する。
このアプローチは、専門的なAIエージェントのチームを編成する認知アーキテクチャに基づいており、この特定のケースでは、リソジスト、病理学者、環境専門家、保守者-回復者、診断コーディネータの5つに制限されている。
システムを評価するために,複数の劣化パターンを含む28の難しい画像を選択した。
最初の結果から,基本モデルと比較して,システムのすべての指標が大幅に向上したことが分かりました。
関連論文リスト
- Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。
我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。
当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文 参考訳（メタデータ） (2025-08-17T21:54:11Z) - Towards Human-AI Collaboration System for the Detection of Invasive Ductal Carcinoma in Histopathology Images [0.7150262752562336]
浸潤性乳管癌(Invasive ductal carcinoma,IDC)は乳癌の最も多い形態である。
病理画像中のIDCを検出するためのHuman-in-the-loop(HITL)ディープラーニングシステムを提案する。
論文 参考訳（メタデータ） (2025-08-11T11:45:57Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [44.15541109882409]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - Deep Research Agents: A Systematic Examination And Roadmap [79.04813794804377]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - Approach to Designing CV Systems for Medical Applications: Data, Architecture and AI [0.0]
本稿では,従来のスクリーニング手法から意図的に切り離された基礎画像解析のための革新的なソフトウェアシステムを提案する。
本手法は, 骨盤構造の正常な特徴と病理的特徴の両方を徹底的に解析することにより, 診断過程を模倣する。
このシステムは、網羅的なアーキテクチャから人工知能(AI)モデルによるモジュラー分析設計まで、眼科の実践とシームレスに一致している。
論文 参考訳（メタデータ） (2025-01-24T18:02:32Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - Enhancing Medical Learning and Reasoning Systems: A Boxology-Based Comparative Analysis of Design Patterns [0.0]
本研究では,ハイブリッドAIシステムの設計パターンとその臨床的意思決定における有効性について分析する。
Boxologyの構造化されたモジュール型アポラチは、ハイブリッドAIシステムの開発と分析において、大きなアドバンテージを提供する。
論文 参考訳（メタデータ） (2024-08-05T12:53:04Z) - Towards the Use of Saliency Maps for Explaining Low-Quality
Electrocardiograms to End Users [45.62380752173638]
診断に医用画像を使用する場合,画像が高品質であることが重要である。
遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。
本稿では,低品質な医用画像をリアルタイムにフラグ付け,説明するためのAIシステムの開発について報告する。
論文 参考訳（メタデータ） (2022-07-06T14:53:26Z) - Characterizing Technical Debt and Antipatterns in AI-Based Systems: A
Systematic Mapping Study [14.437695080681259]
本研究の目的は、AIベースのシステムに現れる技術的負債のタイプ(TD)の明確な概要と特徴を提供することである。
i) 確立されたTDタイプ,そのバリエーション,および4つの新しいTDタイプ(データ,モデル,構成,倫理的負債)がAIベースシステムに存在することを示す。
私たちの結果は、システムに存在するTDの側面を推論し、伝達するAI専門家を支援することができます。
論文 参考訳（メタデータ） (2021-03-17T17:11:43Z) - Multimodal Feature Fusion and Knowledge-Driven Learning via Experts
Consult for Thyroid Nodule Classification [11.160089265436689]
コンピュータ支援診断(CAD)は、複数の分野にまたがる臨床医を支援するための重要なアプローチになりつつある。
本研究では,新しいエンド・ツー・エンドの知識駆動型分類フレームワークを提案する。
提案システムは,高度に連結された畳み込みネットワーク(DenseNet)の学習フェーズを案内するために,専門家のアンサンブルによって提供される手がかりを利用する。
論文 参考訳（メタデータ） (2020-05-28T16:12:04Z) - Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A
Comparative Study [43.26668942258135]
脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ
これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。
概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
論文 参考訳（メタデータ） (2020-04-07T11:12:07Z)
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。