論文の概要: Yantra AI -- An intelligence platform which interacts with manufacturing operations

• arxiv url: http://arxiv.org/abs/2512.15758v1
• Date: Fri, 12 Dec 2025 04:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.670639
• Title: Yantra AI -- An intelligence platform which interacts with manufacturing operations
• Title（参考訳）: Yantra AI -- 製造業務と対話するインテリジェンスプラットフォーム
• Authors: Varshini Krishnamurthy,
• Abstract要約: この論文は、XRITのためのインテリジェントなプロダクションシステムの作成とテストに焦点を当てている。 システムはフェイクデータでテストされ、スケーラブルになるため、XRITのプロダクション環境でリアルタイムで使用することができる。 テストの結果、システムは作業効率、エネルギー管理、修理計画の能力を大幅に向上させることがわかった。
• 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: Industry 4.0 is growing quickly, which has changed smart production by encouraging the use of real-time tracking, machine learning, and AI-driven systems to make operations run more smoothly. The main focus of this dissertation is on creating and testing an intelligent production system for XRIT that solves important problems like energy management, predictive maintenance, and AI-powered decision support. Machine learning models are built into the system, such as the Random Forest Classifier for proactive maintenance and the Isolation Forest for finding outliers. These models help with decision-making and reducing downtime. Streamlit makes real-time data visualisation possible, giving workers access to dashboards that they can interact with and see real-time observations.The system was tested with fake data and is made to be scalable, so it can be used in real time in XRIT's production setting. Adding an AI-powered virtual assistant made with GPT-4 lets workers get real-time, useful information that makes complicated questions easier to answer and improves operational decisions. The testing shows that the system makes working efficiency, energy management, and the ability to plan repairs much better. Moving the system to real-time data merging and looking for other ways to make it better will be the main focus of future work.
• Abstract（参考訳）: 業界4.0は急速に成長しており、リアルタイムトラッキング、機械学習、AI駆動システムの活用を奨励して、オペレーションをよりスムーズに実行できるようにすることによって、スマート生産が変化している。 この論文の主な焦点は、エネルギー管理、予測保守、AIによる意思決定支援といった重要な問題を解決するXRITのインテリジェントなプロダクションシステムの作成とテストである。 機械学習モデルは、プロアクティブメンテナンスのためのランダムフォレスト分類器(Random Forest Classifier)や、外れ値を見つけるためのアイソレーションフォレスト(Isolation Forest)などのシステムに組み込まれている。 これらのモデルは意思決定とダウンタイムの削減に役立つ。 Streamlitは、リアルタイムデータの可視化を可能にし、労働者が対話可能なダッシュボードにアクセスし、リアルタイムの観察を見ることができる。このシステムは偽のデータでテストされ、スケーラブルであるため、XRITのプロダクション環境でリアルタイムで使用することができる。 GPT-4で作られたAIによる仮想アシスタントを追加することで、労働者は複雑な質問に答えやすく、運用上の意思決定を改善するために、リアルタイムで有用な情報を得ることができる。 テストの結果、システムは作業効率、エネルギー管理、修理計画の能力を大幅に向上させることがわかった。 システムをリアルタイムデータマージに移行し、それを改善するための他の方法を探すことが、今後の作業の中心となるでしょう。

関連論文リスト

• How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations [1.516251872371896]
  GitHub CopilotとChatGPTが"バイブコーディング"を実施 本稿では2つの補完的貢献について述べる。 まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。 第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
  論文  参考訳（メタデータ） (2025-07-23T21:00:21Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• Implementation of an Automated Learning System for Non-experts [26.776682627968476]
  本稿では,YMIRと呼ばれる自動機械学習システムの実装について詳述する。 トレーニング/検証データをシステムにインポートした後、AI知識のないユーザは、データをラベル付けし、モデルをトレーニングし、単にボタンをクリックするだけでデータマイニングと評価を行うことができる。 システムのコードはGitHubにすでにリリースされている。
  論文  参考訳（メタデータ） (2022-03-26T00:28:29Z)
• Efficient Robotic Manipulation Through Offline-to-Online Reinforcement Learning and Goal-Aware State Information [5.604859261995801]
  本稿では、遷移性能低下を解消するオフラインからオフラインまでの統一的なRLフレームワークを提案する。 目標認識状態情報をRLエージェントに導入することにより,タスクの複雑性を大幅に低減し,政策学習を加速することができる。 本フレームワークは,複数のロボット操作タスクにおける最先端手法と比較して,優れたトレーニング効率と性能を実現する。
  論文  参考訳（メタデータ） (2021-10-21T05:34:25Z)
• A Framework for Efficient Robotic Manipulation [79.10407063260473]
  単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。 デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
  論文  参考訳（メタデータ） (2020-12-14T22:18:39Z)
• Autoencoding Features for Aviation Machine Learning Problems [0.0]
  本研究では,航空学習問題に対する効果的な特徴を抽出するために,教師なし学習手法であるオートエンコーダについて検討した。 研究結果から,オートエンコーダは,フライトトラックデータに有効な特徴を自動的に抽出するだけでなく,効率的な深部清浄データを抽出し,データサイエンティストの作業量を削減できることが示唆された。 開発されたアプリケーションと技術は、現在および将来の機械学習研究の有効性を改善するために、航空コミュニティ全体と共有されている。
  論文  参考訳（メタデータ） (2020-11-03T04:09:34Z)

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。