論文の概要: Requirements Debt in AI-Enabled Perception Systems Development: An Industrial RE4AI Perspective
- arxiv url: http://arxiv.org/abs/2604.27825v1
- Date: Thu, 30 Apr 2026 13:11:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:54.100598
- Title: Requirements Debt in AI-Enabled Perception Systems Development: An Industrial RE4AI Perspective
- Title（参考訳）: AIで実現可能な知覚システム開発に必要な負債:産業用RE4AI
- Abstract要約: 本研究は,機能的・非機能的要件が要求負債(Red)をいかに生み出し伝播するかを概念化し,実証研究する。
我々は、13の国際自動車企業と3つのヨーロッパ研究機関の専門家と16の半構造化インタビューを行った。
技術的負債理論とRE4AIを結びつける最初の実証研究の1つとして、この研究は重要なReDメカニズムを特定している。
- 参考スコア（独自算出の注目度）: 0.5729426778193398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI integration in automotive perception systems shifts requirements from static specifications to continuously evolving entities shaped by data, models, and operating contexts. When such changes are not consistently documented, validated, and traced, they accumulate as Requirements Debt (ReD), an underexplored but critical subtype of technical debt. This study conceptualises and empirically investigates how evolving functional and non-functional requirements create and propagate ReD across the AI-enabled automotive perception system lifecycle. We conducted 16 semi-structured interviews with experts from 13 international automotive companies and 3 European research institutes, and analysed the data using thematic analysis. As one of the first empirical studies connecting technical debt theory with RE4AI, the work identifies key ReD mechanisms. Evolving functional requirements (e.g., algorithm updates, sensor fusion, architectural changes, real-time constraints) drive semantic drift, validation backlogs, and integration debt when verification lags behind rapid iteration. In parallel, evolving non-functional requirements (e.g., safety, cybersecurity, reliability, scalability, transparency, trustworthiness) create assurance lag, compliance misalignment, and transparency and reliability debt as standards and ethical expectations shift. These interacting mechanisms propagate ReD across data, models, and system artefacts, undermining auditability, reliability, and certification readiness in safety-critical perception systems.
- Abstract（参考訳）: 自動車認識システムにおけるAI統合は、要件を静的仕様から、データ、モデル、運用コンテキストによって形成された継続的な進化するエンティティにシフトする。
このような変更が一貫して文書化され、検証され、追跡されなければ、未調査だが重要な技術的負債のサブタイプであるRequireements Debt (ReD)として蓄積されます。
本研究は,AI対応の自動車認識システムライフサイクルにおいて,機能的および非機能的要求がReDをどのように生成し,伝播するかを概念化し,実証研究する。
我々は、13の国際自動車企業と3のヨーロッパ研究機関の専門家と16の半構造化インタビューを行い、そのデータをテーマ分析を用いて分析した。
技術的負債理論とRE4AIを結びつける最初の実証研究の1つとして、この研究は重要なReDメカニズムを特定している。
機能要件(アルゴリズムの更新、センサの融合、アーキテクチャの変更、リアルタイムの制約など)を進化させると、セマンティックなドリフト、バリデーションバックログ、そして、迅速なイテレーションの遅れの検証時に統合負債が生まれます。
並行して、非機能要件(例えば、安全性、サイバーセキュリティ、信頼性、スケーラビリティ、透明性、信頼性)の進化は、保証の遅れ、コンプライアンスのミスアライメント、透明性と信頼性の負債を標準と倫理的期待の変化として生み出します。
これらの相互作用メカニズムは、データ、モデル、システムアーチファクトを横断してReDを伝播し、安全クリティカルな認識システムにおける監査性、信頼性、認証の準備を損なう。
関連論文リスト
- Engineering Trustworthy Agentic AI for Critical Systems [1.8015174793525714]
この研究は、安全と制約満足度、堅牢性と信頼性、透明性と解釈可能性、説明責任と監査可能性、プライバシーとセキュリティの5つの横断的な側面で組織された信頼性モデルを採用している。
この基盤の上に構築されたエージェントシステムアーキテクチャ、脅威、具体的な信頼メカニズム、および定量的なメトリクスは、エージェントシステムの開発と評価において直接適用するために調査される。
これらの原則は、電力システム、自動運転車/ロボティクス/UAV、高性能コンピューティング、通信ネットワークの4つの制約のあるエンジニアリングドメインで検証される。
論文 参考訳（メタデータ） (2026-07-20T22:28:16Z) - AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。
我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。
本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
論文 参考訳（メタデータ） (2026-05-22T03:40:30Z) - Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering [55.93186934265401]
大規模言語モデル(LLM)エージェントは、その周辺のランタイムを再編成するよりも、モデルウェイトを変更することによって構築されるものが少なくなる。
本稿では、外部化のレンズを通してのシフトをレビューする。
エージェントインフラストラクチャは、補助的なコンポーネントを追加するだけでなく、ハード認知の負担をモデルがより確実に解決できる形式に変換するからである、と我々は主張する。
論文 参考訳（メタデータ） (2026-04-09T13:19:41Z) - Operationalising Artificial Intelligence Bills of Materials (AIBOMs) for Verifiable AI Provenance and Lifecycle Assurance [11.812618112854116]
本研究では,CycloneDX規格を拡張したAIBOM(Artificial Intelligence Bill of Materials)スキーマを提案する。
自律型AIパイプラインは、継続的環境検査、脆弱性の強化、マシンが検証可能な前兆チェーンを使用した監査を実行するために開発されている。
論文 参考訳（メタデータ） (2026-03-17T20:45:09Z) - AI-Assisted Engineering Should Track the Epistemic Status and Temporal Validity of Architectural Decisions [0.0]
LLMコーディングアシスタントは、チームが検証できるよりも早く意思決定を生成する。
広く採用されているフレームワークは、検証された知識と推測を区別するものではない。
責任あるAI支援工学の3つの要件を提案する。
論文 参考訳（メタデータ） (2026-01-28T23:12:07Z) - RE for AI in Practice: Managing Data Annotation Requirements for AI Autonomous Driving Systems [3.9255502531644204]
高品質なデータアノテーション要件は、安全で信頼性の高いAI対応システムの開発に不可欠である。
本研究は,アノテーションの要件が定義され,実際にどのように使用されるかを検討する。
主な課題は、曖昧さ、エッジケースの複雑さ、要求の進化、矛盾、リソースの制約である。
論文 参考訳（メタデータ） (2025-11-19T20:27:30Z) - Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。
エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。
セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
論文 参考訳（メタデータ） (2025-09-08T17:52:08Z) - Never Compromise to Vulnerabilities: A Comprehensive Survey on AI Governance [211.5823259429128]
本研究は,本質的セキュリティ,デリバティブ・セキュリティ,社会倫理の3つの柱を中心に構築された,技術的・社会的次元を統合した包括的枠組みを提案する。
我々は,(1)防衛が進化する脅威に対して失敗する一般化ギャップ,(2)現実世界のリスクを無視する不適切な評価プロトコル,(3)矛盾する監視につながる断片的な規制,の3つの課題を特定する。
私たちのフレームワークは、研究者、エンジニア、政策立案者に対して、堅牢でセキュアなだけでなく、倫理的に整合性があり、公的な信頼に値するAIシステムを開発するための実用的なガイダンスを提供します。
論文 参考訳（メタデータ） (2025-08-12T09:42:56Z) - The Architecture of Trust: A Framework for AI-Augmented Real Estate Valuation in the Era of Structured Data [0.0]
Uniform Appraisal dataset (UAD) 3.6の必須2026実装は、住宅資産の評価を物語報告から機械可読形式に変換する。
本稿では、コンピュータビジョン、自然言語処理、自律システムにおけるAIの進歩と並行して、この規制シフトを包括的に分析する。
技術的実装と機関的信頼要件に対処するAI付加評価のための3層フレームワークを開発する。
論文 参考訳（メタデータ） (2025-08-04T05:24:25Z) - Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。
当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
論文 参考訳（メタデータ） (2025-07-03T02:45:51Z) - TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation [6.254217675711076]
本稿では,主に自動車システムを対象とした要求トレーサビリティ検証とリカバリ手法であるTVRを紹介する。
TVRは、既存のトレーサビリティリンクを検証し、行方不明のリンクを高精度に復元するように設計されている。
論文 参考訳（メタデータ） (2025-04-21T20:37:23Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z)
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。