論文の概要: Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First
- arxiv url: http://arxiv.org/abs/2509.00997v1
- Date: Sun, 31 Aug 2025 21:19:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.495383
- Title: Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First
- Title（参考訳）: AIオーバロードを支援する - データシステムをエージェントファーストに再設計する
- Authors: Shu Liu, Soujanya Ponnapalli, Shreya Shankar, Sepanta Zeighami, Alan Zhu, Shubham Agarwal, Ruiqi Chen, Samion Suwito, Shuo Yuan, Ion Stoica, Matei Zaharia, Alvin Cheung, Natacha Crooks, Joseph E. Gonzalez, Aditya G. Parameswaran,
- Abstract要約: 大規模言語モデル(LLM)エージェントは、将来、データシステムの主要なワークロードになる可能性が高い。
エージェントの推測は、現在のデータシステムに課題をもたらす可能性がある。
我々は,新しいエージェントファーストデータシステムアーキテクチャの新たな研究機会について概説する。
- 参考スコア（独自算出の注目度）: 72.85721148326138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Model (LLM) agents, acting on their users' behalf to manipulate and analyze data, are likely to become the dominant workload for data systems in the future. When working with data, agents employ a high-throughput process of exploration and solution formulation for the given task, one we call agentic speculation. The sheer volume and inefficiencies of agentic speculation can pose challenges for present-day data systems. We argue that data systems need to adapt to more natively support agentic workloads. We take advantage of the characteristics of agentic speculation that we identify, i.e., scale, heterogeneity, redundancy, and steerability - to outline a number of new research opportunities for a new agent-first data systems architecture, ranging from new query interfaces, to new query processing techniques, to new agentic memory stores.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、データの操作と分析のためにユーザの代理として機能し、将来的にはデータシステムの主要なワークロードになる可能性が高い。
データを扱う場合、エージェントは与えられたタスクに対して探索とソリューションの定式化の高スループットプロセスを使用します。
エージェント的推測の量と非効率さは、今日のデータシステムに課題をもたらす可能性がある。
データシステムは、よりネイティブにエージェントのワークロードをサポートする必要がある、と私たちは主張する。
我々は、新しいクエリインタフェースから新しいクエリ処理技術、新しいエージェントメモリストアまで、新しいエージェントファーストデータシステムアーキテクチャの新たな研究機会を概説するために、スケール、不均一性、冗長性、およびステアビリティを識別するエージェント的推測の特徴を利用する。
関連論文リスト
- AgenticData: An Agentic Data Analytics System for Heterogeneous Data [12.67277567222908]
AgenticDataはエージェントデータ分析システムで、複数のドメインにまたがるデータソースを自律的に分析しながら、自然言語(NL)の質問に反応することができる。
本稿では,関連するデータを発見するためのデータプロファイリングエージェント,フィードバックに基づく反復最適化のためのセマンティッククロスバリデーションエージェント,短期文脈を維持するためのスマートメモリエージェントを利用するマルチエージェント協調戦略を提案する。
論文 参考訳（メタデータ） (2025-08-07T03:33:59Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
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) - Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。
この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
論文 参考訳（メタデータ） (2025-06-22T12:59:12Z) - R&D-Agent: Automating Data-Driven AI Solution Building Through LLM-Powered Automated Research, Development, and Evolution [60.80016554091364]
R&D-Agentは反復探索のための二重エージェントフレームワークである。
Researcherエージェントはパフォーマンスフィードバックを使用してアイデアを生成し、Developerエージェントはエラーフィードバックに基づいてコードを洗練する。
R&D-AgentはMLE-Benchで評価され、最高のパフォーマンスの機械学習エンジニアリングエージェントとして登場した。
論文 参考訳（メタデータ） (2025-05-20T06:07:00Z) - A Survey on Large Language Model-based Agents for Statistics and Data Science [7.240586338370509]
LLM(Large Language Models)を利用したデータサイエンスエージェントは、従来のデータ分析パラダイムを変える大きな可能性を示している。
この調査は、LLMベースのデータエージェントの進化、機能、および応用の概要を提供する。
論文 参考訳（メタデータ） (2024-12-18T15:03:26Z) - MAG-V: A Multi-Agent Framework for Synthetic Data Generation and Verification [5.666070277424383]
MAG-Vは、顧客のクエリを模倣する質問のデータセットを生成するフレームワークである。
我々の合成データは、実際の顧客クエリにおけるエージェントのパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-11-28T19:36:11Z) - KwaiAgents: Generalized Information-seeking Agent System with Large
Language Models [33.59597020276034]
人間は批判的思考、計画、リフレクション、世界と対話し解釈するための利用可能なツールの活用に優れています。
大規模言語モデル(LLM)の最近の進歩は、マシンが前述の人間のような能力を持っていることも示唆している。
LLMに基づく汎用情報検索システムであるKwaiAgentsを紹介する。
論文 参考訳（メタデータ） (2023-12-08T08:11:11Z)
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。