論文の概要: (POSTER) From Sensors to Insight: Rapid, Edge-to-Core Application Development for Sensor-Driven Applications
- arxiv url: http://arxiv.org/abs/2605.02844v1
- Date: Mon, 04 May 2026 17:21:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.429102
- Title: (POSTER) From Sensors to Insight: Rapid, Edge-to-Core Application Development for Sensor-Driven Applications
- Title（参考訳）: (POSTER) センサからインサイトへ: センサ駆動アプリケーションのための高速エッジ・ツー・コアアプリケーション開発
- Authors: Komal Thareja, Anirban Mandal, Ewa Deelman,
- Abstract要約: 本稿では,センサ駆動アプリケーションの迅速な開発のためのパターンベースAI支援手法を提案する。
コードファーストからインテントファーストの設計へと、ビルドとデプロイメントをシフトする5ステップの開発ループを実演します。
私たちの評価は、初心者のPegasusユーザの視点から、AI支援パターンの再利用がワークフロー1日あたり1～1.5日までの多段階ワークフロー開発を圧縮することを示している。
- 参考スコア（独自算出の注目度）: 0.8534027403810152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientists increasingly rely on sensor-based data; however transforming raw streams into insights across the edge-to-cloud continuum remains difficult due to the breadth of expertise required to coordinate the necessary data and computation flow. This paper introduces a pattern-based, AI-assisted methodology for rapid development of sensor-driven applications. Using Pegasus workflows executing on the FABRIC testbed, we demonstrate a 5-step development loop that shifts workflow construction and deployment from code-first to intent-first design. Starting from an existing Orcasound hydrophone workflow as a reusable template, we generate and refine workflows for air quality, earthquake, and soil moisture monitoring applications. We further show how these workflows extend to edge resources-including BlueField-3 DPUs and Raspberry Pis-through configuration and placement rather than workflow redesign. Our evaluation, from the perspective of a novice Pegasus user, shows that AI-assisted pattern reuse compresses multi-stage workflow development to 1-1.5 days per workflow while preserving the rigor and portability of workflow-based execution.
- Abstract（参考訳）: 科学者はセンサベースのデータにますます依存している。しかしながら、必要となるデータと計算フローを調整するために必要な専門知識の多さのために、生のストリームをエッジからクラウドへの連続体にわたる洞察に変換することは、依然として困難である。
本稿では,センサ駆動アプリケーションの迅速な開発のためのパターンベースAI支援手法を提案する。
FABRICテストベッド上で実行するPegasusワークフローを使用して、ワークフローの構築とデプロイメントをコードファーストからインテントファースト設計にシフトする5ステップの開発ループを実演する。
既存のOrcasoundハイドロフォンワークフローを再利用可能なテンプレートとして使用することから始まり、空気質、地震、土壌水分モニタリングアプリケーションのためのワークフローを作成および洗練する。
さらに、これらのワークフローが、ワークフローの再設計ではなく、BlueField-3 DPUやRaspberry Piのスルー構成や配置を含むエッジリソースにどのように拡張されているかを示す。
我々の評価は、初心者のPegasusユーザの視点から、AI支援パターンの再利用はワークフローベースの実行の厳密さと可搬性を維持しつつ、ワークフロー当たり1～1.5日間のマルチステージワークフロー開発を圧縮することを示している。
関連論文リスト
- From Sensors to Insight: Rapid, Edge-to-Core Application Development for Sensor-Driven Applications [0.8534027403810152]
科学者たちはセンサーベースのデータにますます依存しているが、生のストリームをエッジからクラウドへの連続体に関する洞察に変換することは依然として難しい。
本稿では,センサ駆動アプリケーションの迅速な開発のための経験駆動手法を提案する。
論文 参考訳（メタデータ） (2026-05-04T17:36:42Z) - From Prompt to Pipeline: Large Language Models for Scientific Workflow Development in Bioinformatics [2.2160604288512324]
本研究では,最先端の大規模言語モデルが正確なバイオインフォマティクスを生成できるかどうかを考察する。
生成されたデータは,Galaxy Training Network と nf-core のコミュニティによるベースラインに対して評価される。
その結果、Gemini 2.5 FlashはGalaxyで最も正確でユーザフレンドリで、DeepSeek-V3はNextflowパイプライン生成に優れていた。
論文 参考訳（メタデータ） (2025-07-27T04:08:11Z) - ComfyUI-R1: Exploring Reasoning Models for Workflow Generation [49.09090292453288]
私たちはワークフローの自動生成のための最初の大きな推論モデルであるComfyUI-R1を紹介します。
ノードの選択、ワークフロー計画、コードレベルのワークフローを含む、長いチェーン・オブ・シンク(CoT)推論データを構築します。
実験の結果、我々の7B-パラメーターモデルでは、高いパスレート、ノードレベル、グラフレベルのF1スコアとともに、97%のフォーマットの妥当性が得られた。
論文 参考訳（メタデータ） (2025-06-11T14:35:15Z) - PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。
まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。
2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
論文 参考訳（メタデータ） (2025-05-22T17:55:10Z) - ComfyGPT: A Self-Optimizing Multi-Agent System for Comprehensive ComfyUI Workflow Generation [96.44354750396019]
ComfyGPTはタスク記述に基づいてComfyUIを生成するように設計された自動最適化マルチエージェントシステムである。
FlowDatasetは、13,571のワークフロー記述ペアを含む大規模なデータセットである。
FlowBenchはワークフロー生成システムを評価するためのベンチマークである。
論文 参考訳（メタデータ） (2025-03-22T06:48:50Z) - WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models [105.46456444315693]
ワークフローオーケストレーションにおける大規模言語モデルの能力を高めるための,データ中心のフレームワークであるLLMを提案する。
最初は106,763のサンプルで大規模な微調整Benchを構築し、28のカテゴリにわたる83のアプリケーションから1,503のAPIをカバーしている。
LlamaLlamaは複雑なAPIをオーケストレーションする能力を示しながら、優れた一般化性能を実現している。
論文 参考訳（メタデータ） (2024-11-08T09:58:02Z) - AFlow: Automating Agentic Workflow Generation [36.61172223528231]
大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。
我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。
6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
論文 参考訳（メタデータ） (2024-10-14T17:40:40Z)
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。