論文の概要: Autonomous Business System via Neuro-symbolic AI
- arxiv url: http://arxiv.org/abs/2601.15599v1
- Date: Thu, 22 Jan 2026 02:49:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-23 21:37:20.476963
- Title: Autonomous Business System via Neuro-symbolic AI
- Title（参考訳）: ニューロシンボリックAIによる自律型ビジネスシステム
- Authors: Cecil Pang, Hiroki Sayama,
- Abstract要約: AUTOBUSは、大規模言語モデル(LLM)とビジネスセマンティックス中心のエンタープライズデータを統合する、自律型ビジネスシステムである。
LLMは自然言語と非構造化データの解釈に長けているが、複雑なビジネスロジックの実行は決定論的で検証可能なものではない。
我々は、AUTOBUSアーキテクチャ、AIエージェント生成ロジックプログラムの解剖、ビジネスイニシアチブのライフサイクルにおける人間と補助ツールの役割について詳述する。
- 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: Current business environments require organizations to continuously reconfigure cross-functional processes, yet enterprise systems are still organized around siloed departments, rigid workflows, and hard-coded automation. Meanwhile large language models (LLMs) excel at interpreting natural language and unstructured data but lack deterministic, verifiable execution of complex business logic. To address this gap, here we introduce AUTOBUS, an Autonomous Business System that integrates LLM-based AI agents, predicate-logic programming, and business-semantics-centric enterprise data into a coherent neuro-symbolic AI architecture for orchestrating end-to-end business initiatives. AUTOBUS models an initiative as a network of tasks with explicit pre/post conditions, required data, evaluation rules, and API-level actions. Enterprise data is organized as a knowledge graph whose entities, relationships, and constraints are translated into logic facts and foundational rules, providing the semantic grounding for task reasoning. Core AI agents synthesize task instructions, enterprise semantics, and available tools into task-specific logic programs, which are executed by a logic engine that enforces constraints, coordinates auxiliary tools, and orchestrate execution of actions and outcomes. Humans define and maintain the semantics, policies and task instructions, curate tools, and supervise high-impact or ambiguous decisions, ensuring accountability and adaptability. We detail the AUTOBUS architecture, the anatomy of the AI agent generated logic programs, and the role of humans and auxiliary tools in the lifecycle of a business initiative.
- Abstract（参考訳）: 現在のビジネス環境では、組織がクロスファンクショナルなプロセスを継続的に再構成する必要があるが、エンタープライズシステムはいまだにサイロ化された部門、堅固なワークフロー、ハードコードされた自動化を中心に組織されている。
一方、大きな言語モデル(LLM)は自然言語と非構造化データの解釈に長けているが、複雑なビジネスロジックの実行は決定論的で検証可能なものではない。
このギャップに対処するため、私たちは、LLMベースのAIエージェント、述語論理プログラミング、ビジネスセマンティック中心のエンタープライズデータを、エンドツーエンドのビジネスイニシアチブを編成するコヒーレントなニューロシンボリックAIアーキテクチャに統合する自律型ビジネスシステムであるAUTOBUSを紹介します。
AUTOBUSはイニシアティブを、明示的なプレ/ポスト条件、必要なデータ、評価ルール、APIレベルのアクションを備えたタスクのネットワークとしてモデル化する。
エンタープライズデータは知識グラフとして組織され、エンティティ、関係、制約は論理的事実と基本ルールに変換され、タスク推論のセマンティック基盤を提供する。
コアAIエージェントは、タスク命令、エンタープライズセマンティクス、利用可能なツールをタスク固有のロジックプログラムに合成する。
人間はセマンティクス、ポリシー、タスクの指示を定義し、ツールをキュレートし、ハイインパクトまたは曖昧な決定を監督し、説明責任と適応性を保証する。
我々は、AUTOBUSアーキテクチャ、AIエージェント生成ロジックプログラムの解剖、ビジネスイニシアチブのライフサイクルにおける人間と補助ツールの役割について詳述する。
関連論文リスト
- Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。
DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。
エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
論文 参考訳（メタデータ） (2025-09-23T06:46:41Z) - State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。
しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。
本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
論文 参考訳（メタデータ） (2025-06-30T02:02:35Z) - Toward Data Systems That Are Business Semantic Centric and AI Agents Assisted [0.0]
ビジネスSemantics Centric, AI Agents Assisted Data System (BSDS)
BSDSは、データシステムをビジネス成功の動的な実現手段として再定義する。
システムには、ビジネスエンティティにリンクされたキュレートされたデータ、コンテキスト認識AIエージェントの知識ベース、効率的なデータパイプラインが含まれる。
論文 参考訳（メタデータ） (2025-06-05T19:06:06Z) - Agentic AI for Intent-Based Industrial Automation [0.6906005491572401]
この研究は、エージェントAIとインテントベースのパラダイムを統合する概念的フレームワークを提案する。
このフレームワークは意図に基づく処理に基づいて、人間のオペレーターが自然言語でハイレベルなビジネスや運用目標を表現できるようにする。
CMAPSSデータセットとGoogle Agent Developer Kit (ADK)を使って概念実証を行った。
論文 参考訳（メタデータ） (2025-06-05T12:50:54Z) - AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance [7.110126223593506]
本稿では,これまで異なる専門知識と手動調整を必要としていたタスクを,AIエージェントが自律的に管理する未来を想定する。
AssetOpsBench - ドメイン固有のエージェントの開発、オーケストレーション、評価をガイドするために設計された、統合されたフレームワークと環境。
我々は,このような包括的システムに対する重要な要件を概説し,実世界の産業活動に対する認識,推論,制御を統合するエージェント構築に関する実用的な洞察を提供する。
論文 参考訳（メタデータ） (2025-06-04T10:57:35Z) - The Foundations of Computational Management: A Systematic Approach to
Task Automation for the Integration of Artificial Intelligence into Existing
Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。
この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文 参考訳（メタデータ） (2024-02-07T01:45:14Z) - AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。
大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文 参考訳（メタデータ） (2024-01-10T16:57:24Z) - Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。
セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
論文 参考訳（メタデータ） (2023-12-14T10:37:34Z)
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。