論文の概要: Gypscie: A Cross-Platform AI Artifact Management System

• arxiv url: http://arxiv.org/abs/2604.10311v1
• Date: Sat, 11 Apr 2026 18:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.949252
• Title: Gypscie: A Cross-Platform AI Artifact Management System
• Title（参考訳）: Gypscie: クロスプラットフォームAIアーチファクト管理システム
• Authors: Fabio Porto, Eduardo Ogasawara, Gabriela Moraes Botaro, Julia Neumann Bastos, Augusto Fonseca, Esther Pacitti, Patrick Valduriez,
• Abstract要約: 我々は,クロスプラットフォームAIアーティファクト管理システムであるGypscieを紹介する。 すべてのAIアーティファクトの統一ビューを提供することで、GypscieはAIアプリケーションの開発とデプロイを簡単にする。
• 参考スコア（独自算出の注目度）: 0.6784745592354215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) models, encompassing both traditional machine learning (ML) and more advanced approaches such as deep learning and large language models (LLMs), play a central role in modern applications. AI model lifecycle management involves the end-to-end process of managing these models, from data collection and preparation to model building, evaluation, deployment, and continuous monitoring. This process is inherently complex, as it requires the coordination of diverse services that manage AI artifacts such as datasets, dataflows, and models, all orchestrated to operate seamlessly. In this context, it is essential to isolate applications from the complexity of interacting with heterogeneous services, datasets, and AI platforms. In this paper, we introduce Gypscie, a cross-platform AI artifact management system. By providing a unified view of all AI artifacts, the Gypscie platform simplifies the development and deployment of AI applications. This unified view is realized through a knowledge graph that captures application semantics and a rule-based query language that supports reasoning over data and models. Model lifecycle activities are represented as high-level dataflows that can be scheduled across multiple platforms, such as servers, cloud platforms, or supercomputers. Finally, Gypscie records provenance information about the artifacts it produces, thereby enabling explainability. Our qualitative comparison with representative AI systems shows that Gypscie supports a broader range of functionalities across the AI artifact lifecycle. Our experimental evaluation demonstrates that Gypscie can successfully optimize and schedule dataflows on AI platforms from an abstract specification.
• Abstract（参考訳）: 機械学習(ML)とディープラーニングや大規模言語モデル(LLM)といった、より高度なアプローチの両方を含む人工知能(AI)モデルは、現代のアプリケーションにおいて中心的な役割を果たす。 AIモデルのライフサイクル管理には、データ収集や準備からモデル構築、評価、デプロイメント、継続的監視に至るまで、これらのモデルを管理するエンドツーエンドプロセスが含まれる。 このプロセスは本質的に複雑で、データセットやデータフロー、モデルといったAIアーティファクトを管理するさまざまなサービスの調整が必要なため、すべてシームレスに運用するために編成される。 このコンテキストでは、異種サービス、データセット、AIプラットフォームとのインタラクションの複雑さからアプリケーションを分離することが不可欠である。 本稿では,クロスプラットフォームAIアーティファクト管理システムであるGypscieを紹介する。 すべてのAIアーティファクトの統一ビューを提供することで、Gypscieプラットフォームは、AIアプリケーションの開発とデプロイを簡単にする。 この統一ビューは、アプリケーションセマンティクスをキャプチャするナレッジグラフと、データやモデルの推論をサポートするルールベースのクエリ言語を通じて実現されます。 モデルライフサイクルアクティビティは、サーバ、クラウドプラットフォーム、スーパーコンピュータなど、複数のプラットフォームにまたがってスケジュールできる、ハイレベルなデータフローとして表現される。 最後に、Gypscieは生成したアーティファクトに関する証明情報を記録し、説明可能性を実現する。 代表的なAIシステムとの質的な比較は、GypscieがAIアーティファクトライフサイクル全体にわたって幅広い機能をサポートしていることを示している。 我々の実験的評価は、Gypscieが抽象仕様からAIプラットフォーム上でのデータフローを最適化し、スケジュールできることを示す。

関連論文リスト

• Agentic Artificial Intelligence (AI): Architectures, Taxonomies, and Evaluation of Large Language Model Agents [14.448267395835721]
  エージェントを知覚,脳,計画,行動,ツール利用,コラボレーションに分割する統合分類法を提案する。 また、デジタルオペレーティングシステム、エンボディロボット、その他の特殊なドメインを含む、これらのエージェントが動作する環境もグループ化します。
  論文  参考訳（メタデータ） (2026-01-18T19:51:16Z)
• 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)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• Data-centric Artificial Intelligence: A Survey [47.24049907785989]
  近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。 本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。 これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
  論文  参考訳（メタデータ） (2023-03-17T17:44:56Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)

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。