論文の概要: AIBuildAI: An AI Agent for Automatically Building AI Models
- arxiv url: http://arxiv.org/abs/2604.14455v1
- Date: Wed, 15 Apr 2026 22:17:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.633165
- Title: AIBuildAI: An AI Agent for Automatically Building AI Models
- Title（参考訳）: AIBuildAI - AIモデルの自動構築のためのAIエージェント
- Abstract要約: タスク記述とトレーニングデータからAIモデルを自動的に構築するAIエージェントであるAIBuildAIを紹介する。
我々は、リアルなKaggleスタイルのAI開発タスクのベンチマークであるMLE-Bench上でAIBuildAIを評価する。
- 参考スコア（独自算出の注目度）: 31.05147308924019
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: AI models underpin modern intelligent systems, driving advances across science, medicine, finance, and technology. Yet developing high-performing AI models remains a labor-intensive process that requires expert practitioners to iteratively design architectures, engineer representations, implement training pipelines and refine approaches through empirical evaluation. Existing AutoML methods partially alleviate this burden but remain limited to narrow aspects such as hyperparameter optimization and model selection within predefined search spaces, leaving the full development lifecycle largely dependent on human expertise. To address this gap, we introduce AIBuildAI, an AI agent that automatically builds AI models from a task description and training data. AIBuildAI adopts a hierarchical agent architecture in which a manager agent coordinates three specialized sub-agents: a designer for modeling strategy, a coder for implementation and debugging, and a tuner for training and performance optimization. Each sub-agent is itself a large language model (LLM) based agent capable of multi-step reasoning and tool use, enabling end-to-end automation of the AI model development process that goes beyond the scope of existing AutoML approaches. We evaluate AIBuildAI on MLE-Bench, a benchmark of realistic Kaggle-style AI development tasks spanning visual, textual, time-series and tabular modalities. AIBuildAI ranks first on MLE-Bench with a medal rate of 63.1%, outperforming all existing baseline methods and matching the capability of highly experienced AI engineers. These results demonstrate that hierarchical agent systems can automate the full AI model development process from task specification to deployable model, suggesting a pathway toward broadly accessible AI development with minimal human intervention.
- Abstract（参考訳）: AIモデルは現代のインテリジェントシステムを支えるもので、科学、医学、金融、テクノロジーの進歩を推進している。
しかし、ハイパフォーマンスなAIモデルの開発は、専門家が経験的評価を通じて、アーキテクチャ、エンジニア表現、トレーニングパイプラインの実装、アプローチの洗練を反復的に設計することを要求する、労働集約的なプロセスのままである。
既存のAutoMLメソッドは、この負担を部分的に軽減するが、事前定義された検索空間内のハイパーパラメータ最適化やモデル選択といった狭い側面に限られており、完全な開発ライフサイクルは人間の専門知識に大きく依存している。
このギャップに対処するために、タスク記述とトレーニングデータからAIモデルを自動的に構築するAIエージェントであるAIBuildAIを紹介します。
AIBuildAIは階層的なエージェントアーキテクチャを採用しており、マネージャエージェントが3つの特別なサブエージェントをコーディネートする。
各サブエージェントはそれ自体、多段階の推論とツール使用が可能な大規模言語モデル(LLM)ベースのエージェントであり、既存のAutoMLアプローチの範囲を越えて、AIモデル開発プロセスのエンドツーエンドの自動化を可能にする。
MLE-Bench上でAIBuildAIを評価する。これは、ビジュアル、テキスト、時系列、表形式のモダリティにまたがるリアルなKaggleスタイルのAI開発タスクのベンチマークである。
AIBuildAIは、MLE-Benchで63.1%のメダル率でランクインし、既存のすべてのベースラインメソッドを上回り、熟練したAIエンジニアの能力に匹敵する。
これらの結果は、階層的なエージェントシステムがタスク仕様からデプロイ可能なモデルまで、完全なAIモデル開発プロセスを自動化できることを示し、人間の介入を最小限に抑えて、広くアクセス可能なAI開発への道筋を示唆している。
関連論文リスト
- AIBuildAI-2: A Knowledge-Enhanced Agent for Automatically Building AI Models [31.05147308924019]
AIモデルは、画像やテキスト処理から生物学、物理学、化学における科学的発見まで、データ中心の応用を基盤としている。
しかし、それらの開発は依然として非常に手作業で行われており、実践者はアーキテクチャを設計し、トレーニングパイプラインを構築し、反復的にソリューションを洗練する必要がある。
本稿では,AIモデルを自動的に構築する外部進化型知識システムを備えた知識強化エージェントであるAIBuildAI-2を紹介する。
論文 参考訳（メタデータ） (2026-05-27T02:44:13Z) - AIPC: Agent-Based Automation for AI Model Deployment with Qualcomm AI Runtime [0.0]
本稿では,AIモデル展開の制約付き自動化のためのAIエージェント駆動型アプローチであるAIPCを紹介する。
標準化された検証可能なステージへのデプロイを分解し、デプロイドメインの知識をエージェントの実行に注入する。
PyTorchから実行可能なQNN/SNPE推論へのデプロイを7～20分以内に完了し、構造的に定期的な視覚モデルを実現する。
論文 参考訳（メタデータ） (2026-04-16T06:15:56Z) - AI Co-Scientist for Ranking: Discovering Novel Search Ranking Models alongside LLM-based AI Agents with Cloud Computing Access [60.37646376282544]
本稿では,全検索ランキング研究パイプラインを自動化したAI共同科学者フレームワークを提案する。
これは、AIの共同科学者フレームワークをアルゴリズム研究に利用した、ランキングコミュニティで初めての研究である。
論文 参考訳（メタデータ） (2026-03-23T09:29:08Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。
静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。
本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文 参考訳（メタデータ） (2025-10-07T05:45:25Z) - Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。
現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。
我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
論文 参考訳（メタデータ） (2025-08-01T08:11:31Z) - AI Agents and Agentic AI-Navigating a Plethora of Concepts for Future Manufacturing [8.195356684218691]
AIエージェントは、動的環境の中で知覚、理性、行動するように設計された自律システムである。
LLM、MLLM、エージェントAIは、情報処理、環境認識、自律的な意思決定におけるAIの能力の拡大に貢献している。
この研究は、AIとAIエージェント技術の進化を体系的にレビューする。
論文 参考訳（メタデータ） (2025-07-02T05:31:17Z) - Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。
Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。
エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
論文 参考訳（メタデータ） (2025-05-26T03:00:21Z) - R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。
機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。
R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
論文 参考訳（メタデータ） (2025-05-20T06:07:00Z) - AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges [3.7414278978078204]
このレビューは、AIエージェントとエージェントAIを批判的に区別し、構造化された概念分類、アプリケーションマッピング、そして、異なる設計哲学と能力を明らかにするための機会と課題の分析を提供する。
論文 参考訳（メタデータ） (2025-05-15T16:21:33Z) - ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
LLM(Large Language Models)は、人間のような知性を持つ言語である。
本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。
そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
論文 参考訳（メタデータ） (2023-11-02T14:32:16Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z)
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。