論文の概要: Serendipity with Generative AI: Repurposing knowledge components during polycrisis with a Viable Systems Model approach

• arxiv url: http://arxiv.org/abs/2602.23365v1
• Date: Mon, 01 Dec 2025 09:07:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:07.919328
• Title: Serendipity with Generative AI: Repurposing knowledge components during polycrisis with a Viable Systems Model approach
• Title（参考訳）: 生成AIによるセレンディピティー: 可能システムモデルアプローチによるポリクリシス中の知識コンポーネントの再利用
• Authors: Gordon Fletcher, Saomai Vu Khan,
• Abstract要約: 生成AIがセレンディピティーエンジンとして機能し、再利用可能なコンポーネントを発見し、分類し、動員する方法を示す。 本稿では,リポジトリ作成,発見からデプロイまでの時間,再利用率の検証可能なリンクを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organisations face polycrisis uncertainty yet overlook embedded knowledge. We show how generative AI can operate as a serendipity engine and knowledge transducer to discover, classify and mobilise reusable components (models, frameworks, patterns) from existing documents. Using 206 papers, our pipeline extracted 711 components (approx 3.4 per paper) and organised them into a repository aligned to Beer's Viable System Model (VSM). We contribute i) conceptually, a theory of planned serendipity in which GenAI lowers transduction costs between VSM subsystems, ii) empirically, a component repository and temporal/subject patterns, iii) managerially, a vignette and process blueprint for organisational adoption and iv) socially, pathways linking repurposing to environmental and social benefits. We propose testable links between repository creation, discovery-to-deployment time, and reuse rates, and discuss implications for shifting innovation portfolios from breakthrough bias toward systematic repurposing.
• Abstract（参考訳）: 組織はポリクシスの不確実性に直面しているが、組み込まれた知識を見落としている。 生成AIがセレンディピティーエンジンとナレッジトランスデューサとして機能し、既存のドキュメントから再利用可能なコンポーネント(モデル、フレームワーク、パターン)を発見し、分類し、動員する方法を示す。 206の論文を使って、私たちのパイプラインは711のコンポーネント(1紙あたり3.4個)を抽出し、それらをBeer's Viable System Model(VSM)に準拠したリポジトリにまとめました。 コントリビューション 一 概念的には、GenAIがVSMサブシステム間の転送コストを下げる計画的セレンディピティーの理論 二 経験的に、成分蓄積物及び時間的/目的的パターン 三 組織採用のためのウィグネット及びプロセスの青写真及び管理 四 環境及び社会的利益を再生する経路 本稿では,レポジトリ作成,発見からデプロイまでの時間,再利用率の検証可能なリンクを提案する。

関連論文リスト

• Human-Certified Module Repositories for the AI Age [0.0]
  信頼性のあるソフトウェアを構築するための新しいアーキテクチャモデルとして,Human-Certified Module Repositories (HCMR)が導入されている。 HCMRは、人間の監視と自動分析を融合して、モジュールを認証し、人間とAIエージェントの両方による安全で予測可能なアセンブリをサポートする。
  論文  参考訳（メタデータ） (2026-03-03T01:46:41Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• Agentic Digital Twins: A Taxonomy of Capabilities for Understanding Possible Futures [0.0]
  デジタルツイン(DT)がよりエージェント的になるにつれて、ターゲットシステムの表現を超えて拡張する能力を得る。 本稿では, エージェントDTの分類について, エージェントの軌跡, 結合の密度, モデル進化の3つの基本的側面について述べる。 本分析では,エージェントDTが物理的システムを表現するだけでなく,その構成に積極的に参加する能力の行使方法について考察する。
  論文  参考訳（メタデータ） (2026-01-13T10:49:09Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• Contextual Memory Intelligence -- A Foundational Paradigm for Human-AI Collaboration and Reflective Generative AI Systems [0.0]
  本稿では,知的システム構築のための新しいパラダイムとして,コンテキストメモリインテリジェンス(CMI)を紹介する。 CMIは、メモリを長手コヒーレンス、説明可能性、責任ある意思決定に必要な適応的な基盤として再配置する。 これにより、人間とAIのコラボレーション、生成的AI設計、組織のレジリエンスが向上する。
  論文  参考訳（メタデータ） (2025-05-28T18:59:16Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• MoK-RAG: Mixture of Knowledge Paths Enhanced Retrieval-Augmented Generation for Embodied AI Environments [23.1470964521329]
  MoK-RAGは、知識パス強化検索機構の混合を実装した、新しいマルチソースRAGフレームワークである。 提案するMoK-RAG3Dは,3Dアセットを異なる部分に分割し,階層的な知識ツリー構造に基づいてそれらを整理することにより,このパラダイムを強化する。 我々の実験における自動評価と人的評価は、MoK-RAG3DがエンボディードAIエージェントの多様なシーン生成を支援することを実証している。
  論文  参考訳（メタデータ） (2025-03-18T04:27:02Z)
• ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning [132.20119288212376]
  本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。 私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
  論文  参考訳（メタデータ） (2022-07-15T16:57:43Z)
• 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。