論文の概要: Architecting AgentOps Needs CHANGE
- arxiv url: http://arxiv.org/abs/2601.06456v1
- Date: Sat, 10 Jan 2026 06:51:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.823057
- Title: Architecting AgentOps Needs CHANGE
- Title（参考訳）: アーキテクトのAgentOpsは変化を必要としている
- Authors: Shaunak Biswas, Hiya Bhatt, Karthik Vaidhyanathan,
- Abstract要約: エージェントAIシステムのアーキテクチャには、コントロールループの管理から、エージェント、インフラストラクチャ、人間の監視間の動的共進化の実現へのシフトが必要だ、と私たちは主張する。
本稿では,エージェントAIシステムを運用する6つの機能からなる概念的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）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of Agentic AI systems has outpaced the architectural thinking required to operate them effectively. These agents differ fundamentally from traditional software: their behavior is not fixed at deployment but continuously shaped by experience, feedback, and context. Applying operational principles inherited from DevOps or MLOps, built for deterministic software and traditional ML systems, assumes that system behavior can be managed through versioning, monitoring, and rollback. This assumption breaks down for Agentic AI systems whose learning trajectories diverge over time. This introduces non-determinism making system reliability a challenge at runtime. We argue that architecting such systems requires a shift from managing control loops to enabling dynamic co-evolution among agents, infrastructure, and human oversight. To guide this shift, we introduce CHANGE, a conceptual framework comprising six capabilities for operationalizing Agentic AI systems: Contextualize, Harmonize, Anticipate, Negotiate, Generate, and Evolve. CHANGE provides a foundation for architecting an AgentOps platform to manage the lifecycle of evolving Agentic AI systems, illustrated through a customer-support system scenario. In doing so, CHANGE redefines software architecture for an era where adaptation to uncertainty and continuous evolution are inherent properties of the system.
- Abstract（参考訳）: エージェントAIシステムの出現は、それらを効果的に運用するために必要なアーキテクチャ思考を上回りました。
これらのエージェントは、従来のソフトウェアと根本的に異なり、その振る舞いはデプロイメント時に固定されるのではなく、経験、フィードバック、コンテキストによって連続的に形作られます。
決定論的ソフトウェアと従来のMLシステムのために構築されたDevOpsやMLOpsから受け継がれた運用原則を適用することは、システムの振る舞いをバージョニング、監視、ロールバックを通じて管理できると仮定する。
この仮定は、時間とともに学習軌跡が多様化するエージェントAIシステムにとって破滅的なものだ。
これは非決定性を導入し、システムの信頼性は実行時に課題となる。
このようなシステムを設計するには、コントロールループの管理から、エージェント、インフラストラクチャ、人間の監視間の動的共進化の実現への移行が必要だ、と私たちは主張する。
このシフトを導くために、CHANGEというエージェントAIシステムを運用するための6つの機能からなる概念的フレームワークを紹介します。
CHANGEはAgentOpsプラットフォームを設計し、Agentic AIシステムのライフサイクルを管理する基盤を提供する。
そうすることでCHANGEは、不確実性と継続的進化への適応がシステムの固有の特性である時代において、ソフトウェアアーキテクチャを再定義する。
関連論文リスト
- Adaptation of Agentic AI [162.63072848575695]
我々は、急速に拡大する研究環境を、エージェント適応とツール適応の両方にまたがる体系的な枠組みに統一する。
エージェントAIにおける適応戦略の設計空間を明らかにする上で,本フレームワークが有効であることを示す。
次に、各カテゴリの代表的アプローチをレビューし、その強みと限界を分析し、主要なオープン課題と今後の機会を強調します。
論文 参考訳（メタデータ） (2025-12-18T08:38:51Z) - Agentic AI for Mobile Network RAN Management and Optimization [0.0]
エージェントAIは、大型AIモデル(LAM)を使用して複雑なシステムを自動化するための新しいパラダイムである。
本稿では,従来のエージェントからエージェントAIへの進化をたどることで,5Gおよび6GネットワークにおけるエージェントAIの継続的な研究に貢献する。
コアデザインパターン(リフレクション、計画、ツールの使用、マルチエージェントのコラボレーション)が説明され、インテリジェントな振る舞いがどのように編成されているかが説明されます。
論文 参考訳（メタデータ） (2025-11-04T12:34:57Z) - Agentsway -- Software Development Methodology for AI Agents-based Teams [4.226647687395254]
Agentswayは、AIエージェントが一流の協力者として機能するエコシステム向けに設計された、新しいソフトウェア開発フレームワークである。
このフレームワークは、計画、プロンプト、コーディング、テスト、微調整エージェントの異なる役割を定義している。
Agentswayは、次世代のAIネイティブで自己改善型のソフトウェア開発方法論に向けた基本的なステップである。
論文 参考訳（メタデータ） (2025-10-26T11:58:42Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - Agentic Web: Weaving the Next Web with AI Agents [109.13815627467514]
大規模言語モデル(LLM)を活用したAIエージェントの出現は、エージェントWebに対する重要な転換点である。
このパラダイムでは、エージェントが直接対話して、ユーザに代わって複雑なタスクを計画、コーディネート、実行します。
本稿では,エージェントWebの理解と構築のための構造化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-28T17:58:12Z) - Autonomous Deep Agent [0.7489814067742621]
Deep Agentは、複雑なマルチフェーズタスクを管理するために設計された高度な自律AIシステムである。
システムの基盤は階層型タスクDAGフレームワーク上に構築されています。
Deep Agentは、自己管理型AIシステムにおいて、新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-02-10T21:46:54Z) - Agent-as-a-Judge: Evaluate Agents with Agents [61.33974108405561]
本稿ではエージェント・アズ・ア・ジャッジ(Agent-as-a-Judge)フレームワークを紹介し,エージェント・システムを用いてエージェント・システムの評価を行う。
これはLLM-as-a-Judgeフレームワークの有機的拡張であり、タスク解決プロセス全体の中間フィードバックを可能にするエージェント的特徴を取り入れている。
55のリアルな自動化AI開発タスクのベンチマークであるDevAIを紹介します。
論文 参考訳（メタデータ） (2024-10-14T17:57:02Z) - Towards an Interface Description Template for AI-enabled Systems [77.34726150561087]
再利用(Reuse)は、システムアーキテクチャを既存のコンポーネントでインスタンス化しようとする、一般的なシステムアーキテクチャのアプローチである。
現在、コンポーネントが当初目的としていたものと異なるシステムで運用する可搬性を評価するために必要な情報の選択をガイドするフレームワークは存在しない。
我々は、AI対応コンポーネントの主情報をキャプチャするインターフェイス記述テンプレートの確立に向けて、現在進行中の作業について述べる。
論文 参考訳（メタデータ） (2020-07-13T20:30:26Z)
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。