論文の概要: GenAI-Driven Approach to RISC-V Supply Chain Exploration
- arxiv url: http://arxiv.org/abs/2605.15223v1
- Date: Wed, 13 May 2026 08:36:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 03:45:13.120087
- Title: GenAI-Driven Approach to RISC-V Supply Chain Exploration
- Title（参考訳）: GenAIによるRISC-Vサプライチェーン探索
- Authors: Nenad Petrovic, Andre Schamschurko, Yingjie Xu, Alois Knoll,
- Abstract要約: 本稿では、RISC-Vサプライチェーン解析のためのLLMを利用したワークフローを提案する。
VLM(Vision-Language Models)とMDE(Model-Driven Engineering)を統合し、包括的でマルチモーダルなデータ駆動の洞察を可能にする。
- 参考スコア（独自算出の注目度）: 28.662547159683637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an LLM-empowered workflow for RISC-V supply chain analysis, integrating Vision-Language Models (VLMs) and Model-Driven Engineering (MDE) to enable comprehensive, multimodal data-driven insights. The proposed approach addresses the challenges of heterogeneous and unstructured supply chain data by leveraging LLMs for textual understanding and VLMs for extracting information from visual artifacts such as diagrams, tables, and scanned documents. These models collaboratively identify key entities and relationships, which are then organized into a knowledge graph representing supply chain components and their interdependencies. For analytical reasoning, the workflow incorporates MDE techniques and constraint-based modeling to enable formal validation of dependencies, detection of bottlenecks, and assessment of risks. The synergy between LLM- and VLM-based semantic understanding and MDE-based formal analysis supports both exploratory and systematic evaluation of supply chain resilience. A human-in-the-loop mechanism further enables interactive querying and expert validation. The approach is evaluated in RISC-V ecosystem scenarios, demonstrating its effectiveness in generating actionable insights, enhancing transparency, and supporting decision-making in complex semiconductor supply chains.
- Abstract（参考訳）: 本稿では、RISC-Vサプライチェーン分析のためのLLMを利用したワークフローを提案し、VLM(Vision-Language Models)とMDE(Model-Driven Engineering)を統合し、包括的でマルチモーダルなデータ駆動の洞察を可能にする。
提案手法は,LLMをテキスト理解に利用し,VLMを図表や表,スキャンした文書などの視覚的アーティファクトから情報抽出に活用することで,異種・非構造的なサプライチェーンデータの課題に対処する。
これらのモデルは、主要なエンティティと関係を協調的に識別し、サプライチェーンコンポーネントとその相互依存性を表す知識グラフに編成する。
分析的推論には、依存性の形式的検証、ボトルネックの検出、リスク評価を可能にするMDE技術と制約ベースのモデリングが組み込まれている。
LLMとVLMに基づく意味理解とMDEに基づく形式解析の相乗効果は、サプライチェーンのレジリエンスの探索的および体系的評価をサポートする。
また、Human-in-the-loopメカニズムにより、対話型クエリや専門家による検証が可能になる。
このアプローチはRISC-Vエコシステムのシナリオで評価され、実行可能な洞察の生成、透明性の向上、複雑な半導体サプライチェーンにおける意思決定のサポートにおいて、その効果を実証している。
関連論文リスト
- Towards automated data analysis: A guided framework for LLM-based risk estimation [0.0]
大規模言語モデル(LLM)は、ますます重要な意思決定パイプラインに統合されている。
この研究は、人間の指導と監督の下で生成AIを統合するデータセットリスク推定のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-04T21:44:22Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - Large Language Model Sourcing: A Survey [84.63438376832471]
大規模言語モデル(LLM)は人工知能に革命をもたらし、目的的タスクのサポートから主観的な意思決定の強化へと移行した。
LLMのブラックボックスの性質と生成したコンテンツの人間的品質のため、幻覚、偏見、不公平さ、著作権侵害などの問題が重要になる。
本研究は,4つの相互関連次元を中心に整理されたLCMによるコンテンツの出所追跡について,系統的研究を行った。
論文 参考訳（メタデータ） (2025-10-11T10:52:30Z) - Towards a Framework for Operationalizing the Specification of Trustworthy AI Requirements [1.2184324428571227]
AI対応システムの信頼性に関する懸念の高まりは、要件エンジニアリング(RE)の役割を強調している。
AMDiREとPerSpecMLの2つの補完的アプローチの統合を提案する。
論文 参考訳（メタデータ） (2025-07-14T12:49:26Z) - Survey of LLM Agent Communication with MCP: A Software Design Pattern Centric Review [0.9208007322096533]
調査ではMediator, Observer, Publish-Subscribe, Brokerなど,確立したパターンを再検討している。
記事は、オープンな課題、潜在的なセキュリティリスク、堅牢で相互運用可能でスケーラブルなマルチエージェントエコシステムを前進させる有望な方向性を概説することで締めくくっている。
論文 参考訳（メタデータ） (2025-05-26T09:11:17Z) - How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - Multimodal Fusion and Vision-Language Models: A Survey for Robot Vision [49.073964142139495]
マルチモーダル融合法と視覚言語モデルの適用と進歩を体系的に検討する。
セマンティックシーン理解タスクでは、エンコーダデコーダフレームワーク、アテンションベースアーキテクチャ、グラフニューラルネットワークに融合アプローチを分類する。
クロスモーダルアライメント、効率的な融合、リアルタイムデプロイメント、ドメイン適応など、現在の研究における重要な課題を特定します。
論文 参考訳（メタデータ） (2025-04-03T10:53:07Z) - Leveraging Large Language Models for Risk Assessment in Hyperconnected Logistic Hub Network Deployment [3.3454502835917035]
ハブデプロイメントを成功させるためには、動的リスクアセスメントが不可欠です。
従来の手法では、構造化されていない情報を効果的に捉え分析するのに苦労することが多い。
このフレームワークは長期記憶にスケーラビリティを取り入れ、説明と解釈を通じて意思決定を強化する。
論文 参考訳（メタデータ） (2025-03-27T03:13:22Z) - Enhancing Supply Chain Visibility with Generative AI: An Exploratory Case Study on Relationship Prediction in Knowledge Graphs [52.79646338275159]
関係予測は、データ駆動技術を用いてサプライチェーンの可視性を高めることを目的としている。
既存の手法は関係を予測するのに成功しているが、これらの関係が埋め込まれているコンテキストを抽出するのに苦労している。
文脈の欠如により、実践者は取引関係と確立されたサプライチェーンの関係を区別することができない。
論文 参考訳（メタデータ） (2024-12-04T15:19:01Z) - Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。
我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。
NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
論文 参考訳（メタデータ） (2024-08-05T17:11:29Z)
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。