論文の概要: Leveraging Generative AI for Enhancing Domain-Driven Software Design

• arxiv url: http://arxiv.org/abs/2601.20909v1
• Date: Wed, 28 Jan 2026 16:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.370059
• Title: Leveraging Generative AI for Enhancing Domain-Driven Software Design
• Title（参考訳）: ドメイン駆動ソフトウェア設計の強化にジェネレーティブAIを活用する
• Authors: Götz-Henrik Wiegand, Filip Stepniak, Patrick Baier,
• Abstract要約: ドメイン駆動設計(DDD、Domain-Driven Design)は、アプリケーションドメインの正確なモデリングに焦点を当てた、顧客指向ソフトウェアを開発するための重要なフレームワークである。 伝統的に、これらのドメインを記述するメタモデルは、システムデザイナによって手作業で作成され、反復的ソフトウェア開発の基礎を形成します。 本稿では、生成AIを用いたメタモデル生成の部分的自動化について、特にドメイン固有オブジェクトの生成について検討する。
• 参考スコア（独自算出の注目度）: 0.1749935196721634
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain-Driven Design (DDD) is a key framework for developing customer-oriented software, focusing on the precise modeling of an application's domain. Traditionally, metamodels that describe these domains are created manually by system designers, forming the basis for iterative software development. This paper explores the partial automation of metamodel generation using generative AI, particularly for producing domain-specific JSON objects. By training a model on real-world DDD project data, we demonstrate that generative AI can produce syntactically correct JSON objects based on simple prompts, offering significant potential for streamlining the design process. To address resource constraints, the AI model was fine-tuned on a consumer-grade GPU using a 4-bit quantized version of Code Llama and Low-Rank Adaptation (LoRA). Despite limited hardware, the model achieved high performance, generating accurate JSON objects with minimal post-processing. This research illustrates the viability of incorporating generative AI into the DDD process, improving efficiency and reducing resource requirements, while also laying the groundwork for further advancements in AI-driven software development.
• Abstract（参考訳）: ドメイン駆動設計(DDD、Domain-Driven Design)は、アプリケーションドメインの正確なモデリングに焦点を当てた、顧客指向ソフトウェアを開発するための重要なフレームワークである。 伝統的に、これらのドメインを記述するメタモデルは、システムデザイナによって手作業で作成され、反復的ソフトウェア開発の基礎を形成します。 本稿では、生成AIを用いたメタモデル生成の部分的自動化について、特にドメイン固有のJSONオブジェクトの生成について検討する。 実世界のDDDプロジェクトデータに基づいてモデルをトレーニングすることにより、生成AIが単純なプロンプトに基づいて構文的に正しいJSONオブジェクトを生成できることを示し、設計プロセスを合理化するための大きな可能性を提供します。 リソース制約に対処するため、AIモデルは、Code LlamaとLoRA(Low-Rank Adaptation)の4ビット量子化バージョンを使用して、コンシューマグレードのGPU上で微調整された。 ハードウェアが限られていたにもかかわらず、モデルは高いパフォーマンスを実現し、最小限の事後処理で正確なJSONオブジェクトを生成した。 この研究は、生成的AIをDDDプロセスに組み込むことで、効率を改善し、リソース要求を減らすとともに、AI駆動ソフトウェア開発のさらなる進歩に向けた基礎を築き上げている。

関連論文リスト

• Generative Design through Quality-Diversity Data Synthesis and Language Models [5.196236145367301]
  エンジニアリングアプリケーションにおける2つの基本的な課題は、ハイパフォーマンスで多様なデータセットの取得と、生成された設計における正確な制約への固執である。 アーキテクチャ設計におけるこれらの課題に取り組むために,最適化,制約満足度,言語モデルを組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-16T11:30:08Z)
• Model Callers for Transforming Predictive and Generative AI Applications [2.7195102129095003]
  モデル呼び出し(model caller)と呼ばれる新しいソフトウェア抽象化を導入する。 モデル呼び出しは、AIとMLモデル呼び出しの仲介役として機能する。 我々は、モデル呼び出しのためのPythonライブラリのプロトタイプをリリースした。
  論文  参考訳（メタデータ） (2024-04-17T12:21:06Z)
• Towards Single-System Illusion in Software-Defined Vehicles -- Automated, AI-Powered Workflow [3.2821049498759094]
  本稿では,車載ソフトウェアシステムの開発における,新しいモデルと特徴に基づくアプローチを提案する。 提案されたアプローチの重要なポイントの1つは、近代的な生成AI、特にLarge Language Models(LLM)の導入である。 その結果、パイプラインは広範囲に自動化され、各ステップでフィードバックが生成される。
  論文  参考訳（メタデータ） (2024-03-21T15:07:57Z)
• Model Share AI: An Integrated Toolkit for Collaborative Machine Learning Model Development, Provenance Tracking, and Deployment in Python [0.0]
  モデル共有AI(AIMS)は、コラボレーティブモデル開発、モデル前駆者追跡、モデルデプロイメントを合理化するように設計された、使いやすいMLOpsプラットフォームである。 AIMSは、協調的なプロジェクト空間と、見当たらない評価データに基づいてモデル提出をランク付けする標準化されたモデル評価プロセスを備えている。 AIMSでは、Scikit-Learn、Keras、PyTorch、ONNXで構築されたMLモデルを、ライブREST APIや自動生成されたWebアプリにデプロイすることができる。
  論文  参考訳（メタデータ） (2023-09-27T15:24:39Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
  モデルの信号認識性を高めるためのデータ駆動型手法を提案する。 コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。 モデル信号認識における最大4.8倍の改善を実現している。
  論文  参考訳（メタデータ） (2021-11-10T17:58:18Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)
• Model-based actor-critic: GAN (model generator) + DRL (actor-critic) => AGI [0.0]
  本稿ではアクター批判的(モデルフリー)アーキテクチャに(生成的/予測的)環境モデルを追加することを提案する。 提案するAIモデルは(モデルフリーの)DDPGに似ているため、モデルベースDDPGと呼ばれる。 モデルベースアクター批判におけるDRLとGANは,各タスクを(モデルフリーの)DDPGと同等の性能で解決するために,段階的な目標駆動知性を必要とすることを示した。
  論文  参考訳（メタデータ） (2020-04-04T02:05:54Z)

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。