論文の概要: Foundational Design Principles and Patterns for Building Robust and Adaptive GenAI-Native Systems

• arxiv url: http://arxiv.org/abs/2508.15411v1
• Date: Thu, 21 Aug 2025 10:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.272356
• Title: Foundational Design Principles and Patterns for Building Robust and Adaptive GenAI-Native Systems
• Title（参考訳）: ロバストで適応的なGenAI-Nativeシステム構築のための基本設計原則とパターン
• Authors: Frederik Vandeputte,
• Abstract要約: 我々は、将来のGenAIネイティブシステムは、GenAIの認知能力をソフトウェア工学の原則と統合し、堅牢で適応的で効率的なシステムを構築するべきであると論じる。 信頼性、卓越性、進化性、自己信頼性、保証という5つの重要な柱を中心にした、基本的なGenAIネイティブ設計原則を紹介します。 我々は、GenAIネイティブなソフトウェアスタックの重要な要素を概説し、技術的、ユーザの採用、経済的、法的観点から、これらのシステムの影響について論じる。
• 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: Generative AI (GenAI) has emerged as a transformative technology, demonstrating remarkable capabilities across diverse application domains. However, GenAI faces several major challenges in developing reliable and efficient GenAI-empowered systems due to its unpredictability and inefficiency. This paper advocates for a paradigm shift: future GenAI-native systems should integrate GenAI's cognitive capabilities with traditional software engineering principles to create robust, adaptive, and efficient systems. We introduce foundational GenAI-native design principles centered around five key pillars -- reliability, excellence, evolvability, self-reliance, and assurance -- and propose architectural patterns such as GenAI-native cells, organic substrates, and programmable routers to guide the creation of resilient and self-evolving systems. Additionally, we outline the key ingredients of a GenAI-native software stack and discuss the impact of these systems from technical, user adoption, economic, and legal perspectives, underscoring the need for further validation and experimentation. Our work aims to inspire future research and encourage relevant communities to implement and refine this conceptual framework.
• Abstract（参考訳）: Generative AI(GenAI)はトランスフォーメーション技術として登場し、多様なアプリケーションドメインにまたがる優れた能力を誇示している。 しかし、GenAIは予測不可能性と非効率性のため、信頼性が高く効率的なGenAI搭載システムを開発する上で、いくつかの大きな課題に直面している。 将来のGenAIネイティブシステムは、GenAIの認知能力を従来のソフトウェア工学の原則と統合し、堅牢で適応的で効率的なシステムを構築するべきである。 我々は、信頼性、卓越性、進化性、自己信頼、保証という5つの重要な柱を中心とした基本的GenAIネイティブ設計原則を導入し、レジリエントで自己進化的なシステムの構築を導くために、GenAIネイティブ細胞、有機基板、プログラム可能なルータなどのアーキテクチャパターンを提案する。 さらに、GenAIネイティブなソフトウェアスタックの重要な要素を概説し、技術的、ユーザの採用、経済的、法的観点から、これらのシステムの影響について論じ、さらなる検証と実験の必要性を強調します。 本研究は、今後の研究を刺激し、関連するコミュニティに対して、この概念的な枠組みの実装と洗練を奨励することを目的としている。

関連論文リスト

• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Enterprise Architecture as a Dynamic Capability for Scalable and Sustainable Generative AI adoption: Bridging Innovation and Governance in Large Organisations [55.2480439325792]
  生成人工知能(Generative Artificial Intelligence)は、イノベーションを促進し、多くの産業におけるガバナンスを再形成する可能性を持つ強力な新技術である。 しかし、テクノロジの複雑さ、ガバナンスのギャップ、リソースのミスアライメントなど、GenAIをスケールする上で大きな課題に直面している。 本稿では、大企業におけるGenAI導入の複雑な要件をエンタープライズアーキテクチャ管理が満たす方法について検討する。
  論文  参考訳（メタデータ） (2025-05-09T07:41:33Z)
• GenAIOps for GenAI Model-Agility [2.7396907658239424]
  我々は、モデルプロバイダやバージョンと同じくらい多様な基礎モデルに柔軟に適応する準備が整った、いわゆるGenAI Model-agilityについて議論する。 まず、生成AI特有の問題に対処するため、まずGenAIOpsとしてGenAIアプリケーションの開発と運用の方法論を定義し、基礎となる基盤モデルの変更によるアプリケーション品質劣化の問題を特定する。 本稿では,この問題に対処する上で有望と思われるプロンプトチューニング技術について検討し,既存のツールを用いたケーススタディを通じて,その有効性と限界について考察する。
  論文  参考訳（メタデータ） (2024-12-19T03:29:03Z)
• The Roles of Generative Artificial Intelligence in Internet of Electric Vehicles [65.14115295214636]
  我々は特に、電気自動車のインターネット(IoEV)について検討し、GenAI for IoEVを4つの異なる層に分類する。 IoEVアプリケーションの各レイヤで使用されるさまざまなGenAI技術を紹介します。 GenAIモデルのトレーニングに利用可能なパブリックデータセットを要約する。
  論文  参考訳（メタデータ） (2024-09-24T05:12:10Z)
• Generative AI and Process Systems Engineering: The Next Frontier [0.5937280131734116]
  本稿では,大規模言語モデル (LLM) のような新しい生成人工知能(GenAI)モデルが,プロセスシステム工学 (PSE) におけるソリューション方法論をいかに拡張するかを考察する。 これらの最先端のGenAIモデル、特にファンデーションモデル(FM)は、広範な汎用データセットで事前トレーニングされている。 この記事では、マルチスケールモデリング、データ要件、評価指標とベンチマーク、信頼性と安全性など、PSE内でGenAIを完全に活用する上での潜在的な課題を特定し、議論する。
  論文  参考訳（メタデータ） (2024-02-15T18:20:42Z)
• From Generative AI to Generative Internet of Things: Fundamentals, Framework, and Outlooks [82.964958051535]
  生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。 GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-27T02:58:11Z)
• AutoML in The Wild: Obstacles, Workarounds, and Expectations [37.813441975457735]
  本研究は,現実の実践においてユーザが遭遇するAutoMLの限界を理解することに焦点を当てる。 その結果,カスタマイズ性,透明性,プライバシーから生じる3つの大きな課題を克服するために,ユーザエージェンシーを積極的に実施していることが判明した。
  論文  参考訳（メタデータ） (2023-02-21T17:06:46Z)

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。