論文の概要: SAGAI-MID: A Generative AI-Driven Middleware for Dynamic Runtime Interoperability

• arxiv url: http://arxiv.org/abs/2603.28731v1
• Date: Mon, 30 Mar 2026 17:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.544572
• Title: SAGAI-MID: A Generative AI-Driven Middleware for Dynamic Runtime Interoperability
• Title（参考訳）: SAGAI-MID: 動的ランタイム相互運用性のためのジェネレーティブAI駆動ミドルウェア
• Authors: Oliver Aleksander Larsen, Mahyar T. Moghaddam,
• Abstract要約: SAGAI-MIDは、大規模言語モデル(LLM)を使用して実行時にスキーマミスマッチを動的に検出し、解決するFastAPIである。 SAGAI-MIDは、バージョンマイグレーション、IoTから分析へのブリッジング、および2つのプロバイダからの6つのLLM間のプロトコル変換にまたがる10の相互運用性シナリオで評価する。
• 参考スコア（独自算出の注目度）: 1.2744523252873352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern distributed systems integrate heterogeneous services, REST APIs with different schema versions, GraphQL endpoints, and IoT devices with proprietary payloads that suffer from persistent schema mismatches. Traditional static adapters require manual coding for every schema pair and cannot handle novel combinations at runtime. We present SAGAI-MID, a FastAPI-based middleware that uses large language models (LLMs) to dynamically detect and resolve schema mismatches at runtime. The system employs a five-layer pipeline: hybrid detection (structural diff plus LLM semantic analysis), dual resolution strategies (per-request LLM transformation and LLM-generated reusable adapter code), and a three-tier safeguard stack (validation, ensemble voting, rule-based fallback). We frame the architecture through Bass et al.'s interoperability tactics, transforming them from design-time artifacts into runtime capabilities. We evaluate SAGAI-MID on 10 interoperability scenarios spanning REST version migration, IoT-to-analytics bridging, and GraphQL protocol conversion across six LLMs from two providers. The best-performing configuration achieves 0.90 pass@1 accuracy. The CODEGEN strategy consistently outperforms DIRECT (0.83 vs 0.77 mean pass@1), while cost varies by over 30x across models with no proportional accuracy gain; the most accurate model is also the cheapest. We discuss implications for software architects adopting LLMs as runtime architectural components.
• Abstract（参考訳）: 現代の分散システムでは、異種サービス、異なるスキーマバージョンを持つREST API、GraphQLエンドポイント、永続的なスキーマミスマッチに苦しむプロプライエタリなペイロードを備えたIoTデバイスが統合されている。 従来の静的アダプタでは、すべてのスキーマペアに対して手動のコーディングが必要であり、実行時に新しい組み合わせを処理できない。 我々は,大規模言語モデル(LLM)を用いて実行時にスキーマミスマッチを動的に検出・解決するFastAPIベースのミドルウェアであるSAGAI-MIDを提案する。 このシステムは、ハイブリッド検出(構造差分とLLMセマンティック分析)、二重解像度戦略(LLM変換とLLM生成再利用可能なアダプタコード)、3層セーフガードスタック(バリデーション、アンサンブル投票、ルールベースのフォールバック)という5層パイプラインを使用している。 Bassらによる相互運用性戦略を通じてアーキテクチャをフレーム化し、設計時のアーティファクトからランタイム機能に変換します。 SAGAI-MIDは、RESTバージョンマイグレーション、IoT-to-analyticsブリッジング、GraphQLプロトコル変換を2つのプロバイダから6つのLLMに分散する10の相互運用性シナリオで評価する。 最高のパフォーマンス設定は 0.90 pass@1 の精度を達成する。 CODEGEN戦略は、DIRECT(0.83対0.77平均pass@1)を一貫して上回り、コストは比例精度の上昇のないモデルで30倍以上変化し、最も正確なモデルも最も安価である。 LLMをランタイムアーキテクチャコンポーネントとして採用するソフトウェアアーキテクトへの影響について論じる。

関連論文リスト

• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• DDL2PropBank Agent: Benchmarking Multi-Agent Frameworks' Developer Experience Through a Novel Relational Schema Mapping Task [9.51787137194505]
  DDL2PropBankは、関係データベーススキーマをPropBankロールセットにマッピングする新しいベンチマークタスクである。 10のフレームワークで同一のエージェントロジックを実装し、(i)静的解析によるコードの複雑さと(ii)AIアシスト性という2つの次元に沿って評価する。 Pydantic AIとAgnoは最小限の実装オーバーヘッドを必要とする。
  論文  参考訳（メタデータ） (2026-02-03T01:10:59Z)
• EnvScaler: Scaling Tool-Interactive Environments for LLM Agent via Programmatic Synthesis [101.67583081810136]
  大規模言語モデル(LLM)は、様々な現実世界環境においてエージェントとして機能するよう訓練されることが期待されている。 このプロセスはリッチで多様なツール・インタラクション・サンドボックスに依存している。 スケーラブルなツールインタラクション環境のための自動化フレームワークであるEnvScalerを提案する。
  論文  参考訳（メタデータ） (2026-01-09T14:32:06Z)
• Evaluating the effectiveness of LLM-based interoperability [0.3131740922192114]
  我々は,大規模言語モデル (LLM) の有効性を解析し,システムを自律的に相互運用させる。 Qwen2.5-coder:32bは、DIRECTとCODEGENを使った最も効果的なモデルである。
  論文  参考訳（メタデータ） (2025-10-27T22:05:08Z)
• Small Language Models for Agentic Systems: A Survey of Architectures, Capabilities, and Deployment Trade offs [0.10742675209112619]
  小型言語モデル(SLM: 1-12B パラム、時には 20B まで)は十分であり、エージェント処理に優れていることが多い。 オープンおよびプロプライエタリなSLMにまたがって最近のエビデンスを合成し、近代的な評価に結び付ける。 本研究では,不確実性を考慮したルーティングと検証器カスケードを用いたSLMフォールバックシステムを定式化し,実生産目標を反映したエンジニアリングメトリクスを提案する。
  論文  参考訳（メタデータ） (2025-10-04T15:48:04Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• FusionFactory: Fusing LLM Capabilities with Multi-LLM Log Data [60.09659670497899]
  大規模言語モデル(LLM)は、さまざまなモデルのランドスケープを持ち、それぞれが異なるタスクで優れています。 この多様性は、研究者に複数のLLMを実際に採用させ、貴重なマルチLLMログデータを残します。 1)実世界のサービスシナリオ(例えば、ローカルおよびAPIベースのサービス)との互換性と、(2)様々なユーザニーズを満たすためにLLMパイプラインの異なる段階での運用の柔軟性である。
  論文  参考訳（メタデータ） (2025-07-14T17:58:02Z)
• Elastic On-Device LLM Service [11.778868057819269]
  我々は、フルLLMのモデルと寸法の両方を弾力化するデバイス上の大規模言語モデルサービスであるsysを提示する。 sysは、平均で14.83%、10.45%の精度で7つの強いベースラインを上回り、1%のTTFTスイッチオーバヘッド、オンパーメモリ消費、100のオフラインGPU時間を実現している。
  論文  参考訳（メタデータ） (2024-09-08T06:32:08Z)

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。