論文の概要: AI as Consumer and Participant: A Co-Design Agenda for MBSE Substrates and Methodology

• arxiv url: http://arxiv.org/abs/2604.25526v1
• Date: Tue, 28 Apr 2026 11:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.837819
• Title: AI as Consumer and Participant: A Co-Design Agenda for MBSE Substrates and Methodology
• Title（参考訳）: コンシューマと参加者としてのAI - MBSE基板と方法論のための共同設計アジェンダ
• Authors: Siyuan Ji,
• Abstract要約: 十分にプロンプトされたフロンティアモデルは、コンフォーマントSysMLモデルよりも有能で有用な出力を生成する。 同じモデル上で異なるツールが異なる結果を生成します。 構築を管理するモデルと方法論は、AI参加のために一緒に設計する必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI tools are being deployed over MBSE models today, and those models were not designed for this kind of consumption. The problem is not simply that tools hallucinate: well-prompted frontier models produce competent, useful output over a conformant SysML model, but the reasoning they produce is drawn from training rather than retrieved from the model itself, and different tools over the same model produce different results with nothing in the record to adjudicate between them. The model, in other words, is functioning as a prompt rather than as a knowledge base. Attaching better tools to the same model does not resolve this. The model and the methodology that governs its construction need to be designed together for AI participation, treating the model as a machine-queryable knowledge substrate rather than a structured artefact for human navigation, and that co-design has not yet happened in any systematic way. This paper works through a concrete workflow scenario to show what that gap looks like in practice, proposes three principles that jointly characterise what model and methodology must achieve together, and closes with a call to the community to begin this work before the architectural decisions about AI integration settle without the methodological foundation they require.
• Abstract（参考訳）: 今日、AIツールはMBSEモデルにデプロイされており、これらのモデルはこの種の消費のために設計されていない。 十分に進歩したフロンティアモデルは、適合したSysMLモデルよりも有能で有用な出力を生成するが、それらが生成する推論は、モデル自体から取得されるのではなく、トレーニングから引き出される。 言い換えれば、モデルは知識ベースとしてではなく、プロンプトとして機能している。 同じモデルにより良いツールをアタッチしても、この問題は解決しない。 モデルとその構築を管理する方法論は、AI参加のために一緒に設計され、モデルが人間のナビゲーションのための構造化されたアーティファクトではなく、マシンクエリ可能な知識基盤として扱われる必要がある。 本稿では,そのギャップが実際にどのように見えるかを示すために,具体的なワークフローシナリオを実践し,モデルと方法論が共に達成しなければならないかを共同で特徴付ける3つの原則を提案し,AI統合に関するアーキテクチャ上の決定が,必要な方法論的基盤なしで解決される前に,コミュニティにこの作業を開始するよう呼びかける。

関連論文リスト

• Unlocking the Potential of Past Research: Using Generative AI to Reconstruct Healthcare Simulation Models [0.0]
  本研究では、生成人工知能(AI)を用いたフリー・アンド・オープン・ソース・ソフトウェア(FOSS)を用いた出版モデルを再現する可能性について検討する。 ユーザインタフェースを含む2つのDESモデルの生成,テスト,内部再現に成功した。 報告された結果は1つのモデルで複製されたが、分布に関する情報が不足しているため、もう1つのモデルでは再現されなかった。
  論文  参考訳（メタデータ） (2025-03-27T16:10:02Z)
• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• Co-designing heterogeneous models: a distributed systems approach [0.40964539027092917]
  本稿では3つの要素に基づく異種システムに適したモデリング手法を提案する。 モデルとは何かという推論主義的な解釈、分散システムのメタファ、そして協調設計サイクルは、モデルの実践的な設計と構築を記述している。 本手法の適合性について,3つの異なるセキュリティ指向モデルを用いて検討する。
  論文  参考訳（メタデータ） (2024-07-10T13:35:38Z)
• Adapting Large Language Models for Content Moderation: Pitfalls in Data Engineering and Supervised Fine-tuning [79.53130089003986]
  大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。 本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T09:09:44Z)
• Redeeming Data Science by Decision Modelling [0.0]
  本稿では,従来の機械学習モデルと明示的な値モデルを組み合わせる方法を説明する。 具体的な例を示すために、モデルのROC曲線とユーティリティモデルを統合することで、これをどのように行うかを示します。
  論文  参考訳（メタデータ） (2023-06-30T19:00:04Z)
• An Empirical Study of Multimodal Model Merging [148.48412442848795]
  モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。 我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。 本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
  論文  参考訳（メタデータ） (2023-04-28T15:43:21Z)
• Artefact Retrieval: Overview of NLP Models with Knowledge Base Access [18.098224374478598]
  本稿では,人工物の種類(知識ベースから抽出した項目),検索機構,およびこれらの人工物がモデルに融合する方法を体系的に記述する。 言語モデルに焦点が当てられているが、質問応答、事実チェック、対話モデルもこのシステムにどのように適合するかを示す。
  論文  参考訳（メタデータ） (2022-01-24T13:15:33Z)
• Bellman: A Toolbox for Model-Based Reinforcement Learning in TensorFlow [14.422129911404472]
  Bellmanはこのギャップを埋めることを目指しており、モデルベースのRLツールボックスを初めて完全に設計し、テストした。 我々のモジュラーアプローチは、幅広い環境モデルと、最先端アルゴリズムを復元する汎用モデルベースのエージェントクラスを組み合わせることができる。
  論文  参考訳（メタデータ） (2021-03-26T11:32:27Z)

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。