論文の概要: Proposing a Framework for Machine Learning Adoption on Legacy Systems

• arxiv url: http://arxiv.org/abs/2509.24224v1
• Date: Mon, 29 Sep 2025 03:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.712779
• Title: Proposing a Framework for Machine Learning Adoption on Legacy Systems
• Title（参考訳）: レガシーシステムにおける機械学習導入のためのフレームワークの提案
• Authors: Ashiqur Rahman, Hamed Alhoori,
• Abstract要約: 機械学習(ML)の統合は、産業の競争力に欠かせないが、その採用は、レガシーシステムの陳腐化したコストと運用上の障害によって、しばしば停滞している。 本稿では,MLモデルのライフサイクルを運用環境から戦略的に切り離すことによって,これらの課題を克服するための実用的なAPIベースのフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 1.675857332621569
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The integration of machine learning (ML) is critical for industrial competitiveness, yet its adoption is frequently stalled by the prohibitive costs and operational disruptions of upgrading legacy systems. The financial and logistical overhead required to support the full ML lifecycle presents a formidable barrier to widespread implementation, particularly for small and medium-sized enterprises. This paper introduces a pragmatic, API-based framework designed to overcome these challenges by strategically decoupling the ML model lifecycle from the production environment. Our solution delivers the analytical power of ML to domain experts through a lightweight, browser-based interface, eliminating the need for local hardware upgrades and ensuring model maintenance can occur with zero production downtime. This human-in-the-loop approach empowers experts with interactive control over model parameters, fostering trust and facilitating seamless integration into existing workflows. By mitigating the primary financial and operational risks, this framework offers a scalable and accessible pathway to enhance production quality and safety, thereby strengthening the competitive advantage of the manufacturing sector.
• Abstract（参考訳）: 機械学習(ML)の統合は、産業の競争力に欠かせないが、その採用は、レガシーシステムの陳腐化したコストと運用上の障害によって、しばしば停滞している。 完全なMLライフサイクルをサポートするのに必要な財政的および論理的オーバーヘッドは、特に中小規模の企業において、広範な実装への重大な障壁を示します。 本稿では,MLモデルのライフサイクルを運用環境から戦略的に切り離すことによって,これらの課題を克服するための実用的なAPIベースのフレームワークを紹介する。 我々のソリューションは、軽量なブラウザベースのインターフェースを通じて、MLの分析能力をドメインの専門家に提供し、ローカルハードウェアのアップグレードの必要性をなくし、生産停止時間ゼロでモデルメンテナンスを確実にします。 このHuman-in-the-loopアプローチは、モデルパラメータをインタラクティブに制御し、信頼性を高め、既存のワークフローへのシームレスな統合を容易にする。 主要な金融・運用リスクを緩和することにより、この枠組みは、生産品質と安全性を向上し、製造セクターの競争上の優位性を強化するために、スケーラブルでアクセスしやすい経路を提供する。

関連論文リスト

• An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
  本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。 このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。 完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
  論文  参考訳（メタデータ） (2025-04-20T16:57:45Z)
• Pretrained LLMs as Real-Time Controllers for Robot Operated Serial Production Line [5.647265893402412]
  本研究では,大規模言語モデル(LLM),特に GPT-4 を,製造システム,特に移動ロボットスケジューリングを制御するための,単純で適応可能なソリューションとして用いることの実現可能性について検討する。 ロボットによる連続生産ラインにおいて,移動ロボットを異なるマシンに割り当てるLLMベースの制御フレームワークを導入し,システムスループットの観点からその性能を評価する。 MARL(Multi-Agent Reinforcement Learning)のような最先端の手法と同等のパフォーマンスを実現するが、大規模なリトレーニングを必要とせずに、同等のスループットを提供するという、明確な利点を提供する。
  論文  参考訳（メタデータ） (2025-03-05T20:43:49Z)
• Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
  本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。 当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T19:48:51Z)
• On-Device LLMs for SMEs: Challenges and Opportunities [16.335180583743885]
  本稿では,中小企業(中小企業)の文脈における大規模言語モデル(LLM)をデバイス上で展開するためのインフラ要件に焦点を当てる。 ハードウェアの観点から、GPUやTPUなどの処理ユニットの利用、効率的なメモリとストレージソリューション、効率的なデプロイメント戦略について議論する。 ソフトウェアの観点から、我々は、フレームワークの互換性、オペレーティングシステムの最適化、リソース制約のある環境に適した特別なライブラリの使用について検討する。
  論文  参考訳（メタデータ） (2024-10-21T14:48:35Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• CEBench: A Benchmarking Toolkit for the Cost-Effectiveness of LLM Pipelines [23.925385446070717]
  CEBenchは、オンラインの大規模言語モデルをベンチマークするためのオープンソースのツールキットである。 LLMデプロイメントに必要な支出と有効性の間の重要なトレードオフに焦点を当てている。 この能力は、コストへの影響を最小限にしつつ、有効性を最大化することを目的とした重要な意思決定プロセスをサポートします。
  論文  参考訳（メタデータ） (2024-06-20T21:36:00Z)
• RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content [62.685566387625975]
  現在の緩和戦略は効果はあるものの、敵の攻撃下では弾力性がない。 本稿では,大規模言語モデルのための弾力性ガードレール(RigorLLM)について紹介する。
  論文  参考訳（メタデータ） (2024-03-19T07:25:02Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Towards Integrating Fairness Transparently in Industrial Applications [3.478469381434812]
  本稿では,機械学習プロジェクトのバイアス検出,緩和,ドキュメント化において,機械的および人為的コンポーネントを統合するための体系的アプローチを提案する。 構造的プリミティブを実世界のユースケースの例として提示し、潜在的なバイアスを特定し、適切な緩和戦略を決定する方法について説明する。
  論文  参考訳（メタデータ） (2020-06-10T21:54:27Z)

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。