論文の概要: From Business Problems to AI Solutions: Where Does Transformation Support Fail

• arxiv url: http://arxiv.org/abs/2604.18770v1
• Date: Mon, 20 Apr 2026 19:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.452278
• Title: From Business Problems to AI Solutions: Where Does Transformation Support Fail
• Title（参考訳）: ビジネス上の問題からAIソリューションへ - トランスフォーメーションサポートはどこで失敗するのか
• Authors: Abir Trabelsi, Imen Benzarti, Hafedh Mili, Darine Ameyed,
• Abstract要約: ビジネス上の問題を十分に特定された機械学習ソリューションに翻訳することは、成功しているAIシステムにとって必須条件である。 我々は、要求工学(RE)、機械学習(ML)プロジェクト管理、自動化にまたがる18のアプローチについて、構造化された物語文献レビューを行う。 これらのアプローチを4つの家系の分類に分類し、6つの入力アーティファクトカテゴリ、6つの出力アーティファクトカテゴリ、および7つのステージの変換フレームワークで比較する。
• 参考スコア（独自算出の注目度）: 0.2659901499016883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Translating business problems into well-specified machine learning solutions is a prerequisite for successful AI systems, yet this upstream translation is still one of the least supported steps in existing methodologies. We conduct a structured narrative literature review of 18 approaches spanning requirements engineering (RE), machine learning (ML) project management, and automation. We organize these approaches into a taxonomy of four families and compare them across six input artifact categories, six output artifact categories, and a transformation framework of seven stages, grounded in RE refinement theory and ML lifecycle process. Our study shows that most approaches list ML task or algorithm specification among their expected outputs, yet only four provide partial guidance for deriving it, and none provides systematic guidance. We characterize this gap as the Analytics Translation Problem (ATP) and derive five research recommendations addressing multi-formulation exploration, task derivation guidance, constraint-algorithm filtering, probabilistic traceability, and data-triggered revision.
• Abstract（参考訳）: ビジネス上の問題を十分に特定された機械学習ソリューションに翻訳することは、成功しているAIシステムにとって必須条件である。 我々は、要求工学(RE)、機械学習(ML)プロジェクト管理、自動化にまたがる18のアプローチについて、構造化された物語文献レビューを行う。 我々はこれらのアプローチを4つの家系の分類に分類し、6つの入力アーティファクトカテゴリ、6つのアウトプットアーティファクトカテゴリ、およびリファインメント理論とMLライフサイクルプロセスに基づく7つのステージの変換フレームワークを比較した。 本研究は,MLタスクやアルゴリズムの仕様を予測出力に含めているが,その導出のための部分的なガイダンスは4つに過ぎず,体系的なガイダンスは提供していない。 我々は、このギャップを分析翻訳問題(ATP)として特徴付け、マルチフォーム探索、タスク導出指導、制約アルゴリズムフィルタリング、確率的トレーサビリティ、データトリガー付きリビジョンの5つの研究勧告を導出する。

関連論文リスト

• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Large Language Models in Operations Research: Methods, Applications, and Challenges [9.208082097215314]
  オペレーションリサーチ(OR)は、輸送、サプライチェーン管理、生産スケジュールなど、複雑なシステム決定を支援する。 専門家主導のモデリングと手動パラメータチューニングに依存する従来のアプローチは、しばしば大規模、動的、マルチ制約の問題に悩まされる。 本稿では,大規模言語モデル(LLM)をORに適用し,既存の手法を3つの経路に分類する。
  論文  参考訳（メタデータ） (2025-09-18T01:52:19Z)
• A Taxonomy of Prompt Defects in LLM Systems [13.177777446130712]
  大規模言語モデル(LLM)は現代のソフトウェアの主要なコンポーネントとなっている。 小さなミスは、信頼できない、安全でない、あるいは非効率な振る舞いにカスケードする。 本稿では,早期欠陥の系統調査と分類について紹介する。
  論文  参考訳（メタデータ） (2025-09-17T20:11:22Z)
• Benchmarking GPT-4 on Algorithmic Problems: A Systematic Evaluation of Prompting Strategies [47.129504708849446]
  大規模言語モデル(LLM)は自然言語処理の分野に革命をもたらした。 LLMは体系的な一般化を欠き、学習された統計正則をトレーニング分布の外へ外挿することができる。 本稿では,最も先進的なLCMの1つであるGPT-4の系統的なベンチマークを行う。
  論文  参考訳（メタデータ） (2024-02-27T10:44:52Z)
• Automatically Correcting Large Language Models: Surveying the landscape of diverse self-correction strategies [104.32199881187607]
  大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。 これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。 本稿では,この新技術について概観する。
  論文  参考訳（メタデータ） (2023-08-06T18:38:52Z)

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。