論文の概要: The Grand Software Supply Chain of AI Systems
- arxiv url: http://arxiv.org/abs/2604.27781v1
- Date: Thu, 30 Apr 2026 12:21:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:54.082265
- Title: The Grand Software Supply Chain of AI Systems
- Title（参考訳）: AIシステムのグランドソフトウェアサプライチェーン
- Authors: Carmine Cesarano, Martin Monperrus,
- Abstract要約: 本稿では,AIサプライチェーンを一級分析対象とする。
従来のサプライチェーン機構では対応できない4つの構造的ギャップを同定する。
AIのソフトウェアサプライチェーンの規模を説明するために、48のプロダクショングレードのオープンソースプロジェクトのリファレンススタックを測定します。
- 参考スコア（独自算出の注目度）: 5.939983212292006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI systems rest on software with low integrity mechanisms, leaving AI systems exposed across every stage from data acquisition to final inference. This paper makes the AI supply chain a first-class object of analysis, decomposing it across four architectural layers: data acquisition, model training, model inference, and a cross-cutting substrate. Within these layers, we identify four structural gaps that traditional supply chain mechanisms do not address: verifiability, versioning, observability, and traceability.Current AI systems fall short on all of them: they carry undeclared behavioral couplings that no resolver enforces; they cannot be reverted back to known working assemblies; they degrade silently rather than surfacing breaking changes; and their lineage can hardly be approximated. To illustrate the scale of the software supply chain of AI, we measure a reference stack of 48 production-grade open-source projects, which declares 4,664 direct dependencies, resolves to 11,508 transitive packages, and totals roughly 392M lines of code.
- Abstract（参考訳）: AIシステムは、データ取得から最終的な推論まで、すべてのステージにAIシステムが露出したまま、低い整合性メカニズムを持つソフトウェアに依存します。
本稿では,AIサプライチェーンを第1級の分析対象とし,データ取得,モデルトレーニング,モデル推論,クロスカット基板という4つのアーキテクチャレイヤに分解する。
これらの層の中では、従来のサプライチェーン機構が対処できない4つの構造的ギャップを識別する: 検証可能性、バージョニング、可観測性、トレーサビリティ(トレーサビリティ)。現在のAIシステムは、すべてに不足している。
AIのソフトウェアサプライチェーンの規模を説明するため、48のプロダクショングレードのオープンソースプロジェクトのリファレンススタックを測定し、4,664の直接的な依存関係を宣言し、11,508のトランジティブパッケージを解決し、総コード数は392万行である。
関連論文リスト
- Cognitive Atrophy and Systemic Collapse in AI-Dependent Software Engineering [0.0]
本稿では、技術者が論理的導出に代えて受動的AI検証を行う際に生じる隠れた搬送コストである"Epistemological Debt"を紹介する。
この負債は、根本原因分析に不可欠なメンタルモデルを侵食し、システムの複雑さと人間の理解のギャップを広げます。
2026年のAmazonの障害をケーススタディとして、この研究は「機械的収束」がシステム的脆弱性にどのように寄与するかを示した。
論文 参考訳（メタデータ） (2026-04-29T16:20:25Z) - RAD-AI: Rethinking Architecture Documentation for AI-Augmented Ecosystems [1.2744523252873352]
AIが強化されたエコシステムは、スマートシティ、自律型フリート、インテリジェントプラットフォームのためのアーキテクチャ標準になりつつある。
しかし、実践者が依存するアーキテクチャ文書フレームワークであるarc42とC4モデルは決定論的ソフトウェアのために設計された。
RAD-AIは、ARC42を8つのAI固有のセクションで拡張し、C4を3つのダイアグラム拡張で拡張する後方互換性のある拡張フレームワークである。
論文 参考訳（メタデータ） (2026-03-30T17:48:56Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - An Alternative Trajectory for Generative AI [4.176445342688645]
本稿では,ドメイン固有超知能に基づく代替トラジェクトリを提案する。
1つの巨大なジェネラリストモデルではなく、我々は「DSSモデルの社会」を想定する。
このパラダイムは、能力をサイズから切り離して、インテリジェンスをエネルギー集約型データセンタから、セキュアなオンデバイスエキスパートに移行することを可能にする。
論文 参考訳（メタデータ） (2026-03-14T22:33:28Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z) - Compliance Cards: Automated EU AI Act Compliance Analyses amidst a Complex AI Supply Chain [9.991293429067065]
我々は、複雑なAIサプライチェーンの中で、プロバイダ側AIAコンプライアンス分析のための完全なシステムを導入する。
ひとつは、AIA固有のメタデータをキャプチャする、計算的でマルチステークホルダーの透明性アーティファクトのインターロックセットです。
第2のアルゴリズムは、AIシステムやモデルがAIAに準拠しているかどうかをリアルタイムで予測するアルゴリズムである。
論文 参考訳（メタデータ） (2024-06-20T22:07:15Z)
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。