論文の概要: Real-World Design and Deployment of an Embedded GenAI-powered 9-1-1 Calltaking Training System: Experiences and Lessons Learned

• arxiv url: http://arxiv.org/abs/2602.13241v1
• Date: Fri, 30 Jan 2026 18:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.580695
• Title: Real-World Design and Deployment of an Embedded GenAI-powered 9-1-1 Calltaking Training System: Experiences and Lessons Learned
• Title（参考訳）: 組込みGenAI9-1-1コールテイキングトレーニングシステムの実世界設計と展開:学習経験と教訓
• Authors: Zirong Chen, Meiyi Ma,
• Abstract要約: 緊急コールテイカーは、公共の安全対策における最初の運用リンクとなる。 従来のトレーニングアプローチは、現実の制約の下でスケールするのに苦労します。 我々は、メトロナッシュビル救急通信省と協力し、GenAIを利用したコールテイク訓練システムを設計、開発、展開した。
• 参考スコア（独自算出の注目度）: 5.951101028540166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency call-takers form the first operational link in public safety response, handling over 240 million calls annually while facing a sustained training crisis: staffing shortages exceed 25\% in many centers, and preparing a single new hire can require up to 720 hours of one-on-one instruction that removes experienced personnel from active duty. Traditional training approaches struggle to scale under these constraints, limiting both coverage and feedback timeliness. In partnership with Metro Nashville Department of Emergency Communications (MNDEC), we designed, developed, and deployed a GenAI-powered call-taking training system under real-world constraints. Over six months, deployment scaled from initial pilot to 190 operational users across 1,120 training sessions, exposing systematic challenges around system delivery, rigor, resilience, and human factors that remain largely invisible in controlled or purely simulated evaluations. By analyzing deployment logs capturing 98,429 user interactions, organizational processes, and stakeholder engagement patterns, we distill four key lessons, each coupled with concrete design and governance practices. These lessons provide grounded guidance for researchers and practitioners seeking to embed AI-driven training systems in safety-critical public sector environments where embedded constraints fundamentally shape socio-technical design.
• Abstract（参考訳）: 職員の不足は、多くのセンターで25倍を超え、1人の新規雇用を準備するには、経験豊富な人員を現役任務から外す1対1の指導を最大720時間必要とすることができる。 従来のトレーニングアプローチは、これらの制約の下でのスケールアップに苦労し、カバレッジとフィードバックのタイムラインの両方を制限します。 我々は、MNDEC(Mtro Nashville Department of Emergency Communications)と共同で、GenAIを利用した着信訓練システムを現実の制約下で設計、開発、展開した。 6ヶ月にわたって、最初のパイロットから1,120のトレーニングセッションで190人の運用ユーザへと展開が拡大され、システムのデリバリ、厳格性、レジリエンス、人間的要因に関するシステマティックな課題が明らかになった。 98,429人のユーザインタラクション,組織プロセス,ステークホルダエンゲージメントパターンを収集したデプロイメントログを分析して,具体的な設計とガバナンスのプラクティスを組み合わせた4つの重要な教訓を抽出する。 これらのレッスンは、AI駆動のトレーニングシステムを社会技術設計を根本的に形作る安全クリティカルな公共セクター環境に組み込もうとする研究者や実践者に対して、基礎的なガイダンスを提供する。

関連論文リスト

• Measuring Agents in Production [133.77818981073457]
  生産におけるAIエージェントの大規模体系的研究について紹介する。 プロダクションエージェントは通常、シンプルで制御可能なアプローチで構築されています。 信頼性は依然として最大の開発課題であり、エージェントの正しさの確保と評価の難しさによって推進されます。
  論文  参考訳（メタデータ） (2025-12-02T16:45:10Z)
• EvoLM: In Search of Lost Language Model Training Dynamics [97.69616550374579]
  EvoLMは、事前トレーニング、継続事前トレーニング、教師付き微調整、強化学習を含む、LMのトレーニングダイナミクスの体系的かつ透過的な分析を可能にするモデルスイートである。 1Bおよび4Bパラメータを持つ100以上のLMをスクラッチからトレーニングすることにより、上流(言語モデリング)と下流(確率解決)の両方の推論能力を評価する。
  論文  参考訳（メタデータ） (2025-06-19T04:58:47Z)
• Sim911: Towards Effective and Equitable 9-1-1 Dispatcher Training with an LLM-Enabled Simulation [1.5530924838465157]
  大規模言語モデル(LLM)を用いた9-1-1ディスパッチの最初の訓練シミュレーションであるSim911を紹介する。 Sim911は,(1)実世界のシナリオを忠実に反映したシミュレーションを生成するために,アーカイブされたコールデータを利用する知識構築,(2)動的プロンプトとベクトルベースを利用するコンテキスト認識制御生成,(3)低品質応答をフィルタリングしてシステム性能を洗練するループ補正による検証,という3つの技術革新を通じて,トレーニングを強化する。
  論文  参考訳（メタデータ） (2024-12-22T03:43:51Z)
• The STOIC2021 COVID-19 AI challenge: applying reusable training methodologies to private data [60.94672667514737]
  本研究は、プライベートデータ上でのトレーニングソリューションを可能にするType Three (T3)チャレンジフォーマットを実装した。 T3では、チャレンジオーガナイザが参加者の提供するトレーニングデータに基づいてトレーニングを行う。 勝利解は、重篤なCOVID-19と非重症なCOVID-19(0.815)の鑑別のために、受信機動作特性曲線の下にある領域を得た。
  論文  参考訳（メタデータ） (2023-06-18T05:48:28Z)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)
• Enhanced method for reinforcement learning based dynamic obstacle avoidance by assessment of collision risk [0.0]
  本稿では,障害物回避作業の難易度を制御できる一般的な訓練環境を提案する。 トレーニングをタスクの難しさにシフトすることで,最終的なパフォーマンスを大幅に向上できることがわかった。
  論文  参考訳（メタデータ） (2022-12-08T07:46:42Z)
• Adversarial Training is Not Ready for Robot Learning [55.493354071227174]
  対人訓練は,ノルム有界摂動に耐性のあるディープラーニングモデルを訓練する有効な方法である。 敵訓練により得られたニューラルコントローラが3種類の欠陥を受けることを理論的および実験的に示す。 この結果から, ロボット学習にはまだ対応できていないことが示唆された。
  論文  参考訳（メタデータ） (2021-03-15T07:51:31Z)

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。