Fugu-MT 論文翻訳(概要): Utilizing LLMs for Industrial Process Automation

論文の概要: Utilizing LLMs for Industrial Process Automation

arxiv url: http://arxiv.org/abs/2602.23331v1
Date: Thu, 26 Feb 2026 18:38:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-27 18:41:22.85012
Title: Utilizing LLMs for Industrial Process Automation
Title（参考訳）: 産業プロセス自動化のためのLCMの利用
Authors: Salim Fares,
Abstract要約: LLM(Large Language Models)は、現実のプログラミングタスクを解決するために用いられる。本研究は, LLMを産業開発プロセスに活用し, 統合することを目的とする。
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: A growing number of publications address the best practices to use Large Language Models (LLMs) for software engineering in recent years. However, most of this work focuses on widely-used general purpose programming languages like Python due to their widespread usage training data. The utility of LLMs for software within the industrial process automation domain, with highly-specialized languages that are typically only used in proprietary contexts, remains underexplored. This research aims to utilize and integrate LLMs in the industrial development process, solving real-life programming tasks (e.g., generating a movement routine for a robotic arm) and accelerating the development cycles of manufacturing systems.
Abstract（参考訳）: 近年、ソフトウェアエンジニアリングにLarge Language Models(LLM)を使用するためのベストプラクティスに対処する出版物が増えている。しかし、この研究の大部分は、広く使われているPythonのような汎用プログラミング言語に焦点を当てている。産業プロセス自動化領域におけるソフトウェアのためのLLMの実用性は、通常はプロプライエタリな文脈でのみ使用される、高度に特殊化された言語で、未調査のままである。本研究は, LLMを産業開発プロセスに活用し, 実生活プログラミングタスク(例えば, ロボットアームの動作ルーチンを生成する)を解くこと, 製造システムの開発サイクルを加速することを目的とする。

関連論文リスト

From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文参考訳（メタデータ） (2025-11-23T17:09:34Z)
Utilizing LLMs for Industrial Process Automation: A Case Study on Modifying RAPID Programs [3.344552881770396]
本稿では,産業プロセス自動化分野におけるソフトウェアのための大規模言語モデルの有用性について検討する。 LLMで十分にサポートされていない言語において、単純な問題を解決するのに、数発のプロンプトアプローチが十分であることを示す。
論文参考訳（メタデータ） (2025-11-14T09:56:55Z)
Model-Assisted and Human-Guided: Perceptions and Practices of Software Professionals Using LLMs for Coding [2.198430261120653]
大規模言語モデルは、急速に現代のソフトウェア開発の中心的なコンポーネントになりつつある。本稿では,131名のソフトウェア実践者の国際調査から予備的知見を提示する。
論文参考訳（メタデータ） (2025-10-10T06:59:56Z)
Using LLMs and Essence to Support Software Practice Adoption [0.3609538870261841]
本研究では,ソフトウェアエンジニアリングプラクティスを管理するための標準および思考フレームワークであるEssenceと,大規模言語モデル(LLM)の統合について検討する。提案システムは、ドメイン固有のタスクにおいて、ベースラインよりも一貫して優れている。
論文参考訳（メタデータ） (2025-08-22T14:59:35Z)
Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis [14.458529723566379]
LLM(Large Language Model)は、PythonやC++などのプログラミング言語に使用される。本稿では,LLMを利用してHLS(High-Level Synthesis)ベースのハードウェア設計を行う。
論文参考訳（メタデータ） (2025-02-19T17:53:59Z)
A Survey on Large Language Models for Code Generation [9.555952109820392]
大規模言語モデル(LLM)は、様々なコード関連のタスクで顕著な進歩を遂げています。本調査は、総合的かつ最新の文献レビューを提供することで、学界と実践的発展のギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T17:48:15Z)
MTP: A Meaning-Typed Language Abstraction for AI-Integrated Programming [8.768061489034642]
本稿では,直感的な言語レベルでの統合を自動化する新しいパラダイムであるMeaning-Typed Programming(MTP)を提案する。我々はPythonに取って代わるプログラミング言語であるJacにMPPを実装し、MPPは精度と効率を保ちながら、コーディングの複雑さを著しく低減することがわかった。私たちのユーザ調査では、既存のフレームワークと比較して、タスクの完了率が3.2倍速く、コード行数が45%少ないことが示されています。
論文参考訳（メタデータ） (2024-05-14T21:12:01Z)
Domain-Specific Fine-Tuning of Large Language Models for Interactive Robot Programming [47.60440351442233]
先進的な産業用ロボットアプリケーションのプログラミングのための自然言語ベースアシスタントを提案する。限られたデータと計算量を持つ基礎モデルのドメイン固有微調整戦略について検討する。
論文参考訳（メタデータ） (2023-12-21T14:51:04Z)
Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
論文参考訳（メタデータ） (2023-05-30T03:00:30Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)

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。