Fugu-MT 論文翻訳(概要): Scalable Back-End for an AI-Based Diabetes Prediction Application

論文の概要: Scalable Back-End for an AI-Based Diabetes Prediction Application

arxiv url: http://arxiv.org/abs/2512.08147v1
Date: Tue, 09 Dec 2025 00:59:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-10 22:28:07.774041
Title: Scalable Back-End for an AI-Based Diabetes Prediction Application
Title（参考訳）: AIに基づく糖尿病予測アプリケーションのためのスケーラブルなバックエンド
Authors: Henry Anand Septian Radityo, Bernardus Willson, Reynard Tanadi, Latifa Dwiyanti, Saiful Akbar,
Abstract要約: 本稿では,モバイル糖尿病予測アプリケーション用に設計されたスケーラブルなバックエンドシステムの開発と評価について述べる。アーキテクチャは水平スケーリング、データベースシャーディング、メッセージキューによる非同期通信を活用する。このシステムは、最大1万の同時ユーザを問題なく処理できることを示し、スケーラビリティを検証した。
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 rising global prevalence of diabetes necessitates early detection to prevent severe complications. While AI-powered prediction applications offer a promising solution, they require a responsive and scalable back-end architecture to serve a large user base effectively. This paper details the development and evaluation of a scalable back-end system designed for a mobile diabetes prediction application. The primary objective was to maintain a failure rate below 5% and an average latency of under 1000 ms. The architecture leverages horizontal scaling, database sharding, and asynchronous communication via a message queue. Performance evaluation showed that 83% of the system's features (20 out of 24) met the specified performance targets. Key functionalities such as user profile management, activity tracking, and read-intensive prediction operations successfully achieved the desired performance. The system demonstrated the ability to handle up to 10,000 concurrent users without issues, validating its scalability. The implementation of asynchronous communication using RabbitMQ proved crucial in minimizing the error rate for computationally intensive prediction requests, ensuring system reliability by queuing requests and preventing data loss under heavy load.
Abstract（参考訳）: 糖尿病の世界的な流行は、深刻な合併症を防ぐために早期発見を必要とする。 AIを使った予測アプリケーションは有望なソリューションを提供するが、大きなユーザベースを効果的に機能させるためには、応答性がありスケーラブルなバックエンドアーキテクチャが必要である。本稿では,モバイル糖尿病予測アプリケーション用に設計されたスケーラブルなバックエンドシステムの開発と評価について述べる。アーキテクチャは水平スケーリング、データベースシャーディング、メッセージキューによる非同期通信を活用している。性能評価の結果、システムの機能のうち83%(24点中20点)が特定のパフォーマンス目標を満たしていることがわかった。ユーザプロファイル管理、アクティビティトラッキング、読み取り集約予測操作といった重要な機能は、望まれるパフォーマンスを達成できた。このシステムは、最大1万の同時ユーザを問題なく処理できることを示し、スケーラビリティを検証した。 RabbitMQを用いた非同期通信の実装は、計算集約的な予測要求に対するエラー率の最小化、要求のキューイングによるシステムの信頼性確保、重負荷下でのデータ損失の防止に不可欠であることが証明された。

関連論文リスト

Seer Self-Consistency: Advance Budget Estimation for Adaptive Test-Time Scaling [55.026048429595384]
テストタイムスケーリングは、Large Language Models (LLMs) の推論性能を向上させるが、かなりの計算コストを発生させる。トークン効率とレイテンシを同時に向上する動的自己整合性フレームワークであるSeerSCを提案する。
論文参考訳（メタデータ） (2025-11-12T13:57:43Z)
The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
予備学習が最終モデルの成功をどう形作るかを検討する。下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
論文参考訳（メタデータ） (2025-10-16T17:53:50Z)
Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
論文参考訳（メタデータ） (2025-03-17T08:37:22Z)
ZIA: A Theoretical Framework for Zero-Input AI [0.0]
Zero-Input AI(ZIA)は、明示的なユーザコマンドを使わずに、積極的な意図予測を可能にすることによって、人間とコンピュータのインタラクションのための新しいフレームワークを導入している。リアルタイム推論のためのマルチモーダルモデルに、視線追跡、バイオシグナル(EEG、心拍数)、コンテキストデータ(時間、位置、使用履歴)を統合する。 ZIAは、アクセシビリティ、ヘルスケア、消費者アプリケーションのためのスケーラブルでプライバシ保護フレームワークを提供し、AIを予測知性に向けて前進させる。
論文参考訳（メタデータ） (2025-02-22T07:42:05Z)
NeuralPrefix: A Zero-shot Sensory Data Imputation Plugin [1.8416014644193066]
我々はゼロショット計算の概念を定式化し、事前学習されたモデルのデータ間欠性を扱うための新しいアプローチを提案する。このフレームワークはNeuralPrefixと呼ばれ、推論中にタスクモデルに先行する生成的ニューラルネットワークコンポーネントである。我々は,複数の知覚データセットに対するNeuralPrefixの総合評価を行い,その有効性を示す。
論文参考訳（メタデータ） (2025-02-09T12:47:55Z)
Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
論文参考訳（メタデータ） (2025-02-06T13:23:53Z)
Optimization and Application of Cloud-based Deep Learning Architecture for Multi-Source Data Prediction [7.447815488813559]
本研究では,早期糖尿病予測のためのクラウドベースのディープラーニングシステムを開発した。予測に基づく早期介入は、ターゲット人口の37.5%の糖尿病罹患率を減少させる。
論文参考訳（メタデータ） (2024-10-16T15:03:28Z)
Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文参考訳（メタデータ） (2022-11-01T14:38:18Z)
How Much More Data Do I Need? Estimating Requirements for Downstream Tasks [99.44608160188905]
小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か? データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
論文参考訳（メタデータ） (2022-07-04T21:16:05Z)
On Efficient Uncertainty Estimation for Resource-Constrained Mobile Applications [0.0]
予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。 Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
論文参考訳（メタデータ） (2021-11-11T22:24:15Z)
Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文参考訳（メタデータ） (2021-02-22T07:02:37Z)
Serving DNNs like Clockwork: Performance Predictability from the Bottom Up [4.293235171619925]
機械学習推論は、インタラクティブなWebアプリケーションのための中核的なビルディングブロックになりつつある。既存のモデル提供アーキテクチャでは、よく知られたリアクティブ技術を使用して、一般的なレイテンシのソースを緩和している。我々は,Deep Neural Network (DNN)モデルを用いた推論が決定論的性能を持つことを示した。
論文参考訳（メタデータ） (2020-06-03T18:18:45Z)

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。