論文の概要: From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists

• arxiv url: http://arxiv.org/abs/2605.18764v1
• Date: Fri, 10 Apr 2026 17:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.923249
• Title: From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists
• Title（参考訳）: IntentからAI Pipelinesへ - 非AI専門家のための制御されたエージェントフレームワーク
• Abstract要約: ドメイン駆動型アダプタブルAIパイプライン(DDAP)は、AIパイプラインを構築するための、制御された、人為的、エージェント的なフレームワークである。 DDAPは、問題定義、計算環境仕様、パイプライン生成、コード生成の4つのステージに開発プロセスを構成します。 DDAPは、ガイド付きインタラクション、適応性、適応性を組み合わせることで、コントロールされたエージェントフレームワークが、非専門家ユーザのための競争力のあるAIパイプラインを生成することを実証する。
• 参考スコア（独自算出の注目度）: 0.1223474232275842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) pipelines have become integral to modern research, supporting fields such as Medical Sciences, Agriculture, and Social Sciences, and enabling large-scale data analysis, predictive modeling, and the automation of complex tasks. However, designing and implementing AI solutions remains challenging for many researchers due to the expertise required in the design and development of end-to-end AI systems. To address this gap, we present Domain-Driven Adaptable AI Pipelines (DDAP), a controlled, human-in-the-loop, agentic framework that leverages large language models to guide users in a systematic construction of AI pipelines and their corresponding implementation code. DDAP structures the development process into four stages: problem definition, compute environment specification, pipeline generation, and code generation. Through this staged interaction, the framework adapts to domain context, user expertise, and resource constraints, while maintaining user control over key decisions. We evaluate DDAP across multiple datasets spanning business, biology, and health science domains by comparing its AI models against expert-developed models. The experimental results show that DDAP achieves competitive results in several tasks compared to expert baselines, although performance varies across problem types, particularly for text-based clustering tasks. By combining guided interaction, adaptability, and reproducibility, DDAP demonstrates that a controlled agentic framework can generate competitive AI pipelines for non-expert users.
• Abstract（参考訳）: 人工知能(AI)パイプラインは現代の研究に不可欠なものとなり、医学、農業、社会科学などの分野をサポートし、大規模データ分析、予測モデリング、複雑なタスクの自動化を可能にしている。 しかし、エンドツーエンドのAIシステムの設計と開発に必要な専門知識のため、多くの研究者にとって、AIソリューションの設計と実装は依然として困難である。 このギャップに対処するために、私たちは、AIパイプラインとそれに対応する実装コードの体系的な構成でユーザを導くために、大きな言語モデルを活用する、制御された、人力によるエージェント型フレームワークであるDomain-Driven Adaptable AI Pipelines(DDAP)を紹介します。 DDAPは、問題定義、計算環境仕様、パイプライン生成、コード生成の4つのステージに開発プロセスを構成します。 この段階的なインタラクションを通じて、このフレームワークは、重要な決定に対するユーザコントロールを維持しながら、ドメインコンテキスト、ユーザ専門知識、リソース制約に適応します。 我々は、ビジネス、生物学、健康科学領域にまたがる複数のデータセットにわたるDDAPを評価し、AIモデルと専門家が開発したモデルを比較した。 実験の結果,DDAPは,特にテキストベースのクラスタリングタスクにおいて,問題の種類によって異なるが,専門家のベースラインと比較して,いくつかのタスクで競合的な結果が得られることがわかった。 DDAPは、ガイド付きインタラクション、適応性、再現性を組み合わせることで、コントロールされたエージェントフレームワークが、非専門家ユーザのための競争力のあるAIパイプラインを生成することを実証する。

関連論文リスト

• Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods [5.319819085855185]
  私たちは、チーム内のドメインの専門家が実験データから洞察を得られるように、変革と加速するために設計されたAI強化パイプラインの例を紹介します。 手元にある応用は行動神経科学の分野において、マウスの恐怖の一般化を研究することである。 ドメインエキスパートがAIモデルのトレーニングや微調整を必要とせず、パイプラインの一部を自動化するのに適したインターフェースとして、ICL(In-Context Learning)の新たなパラダイムを特定します。
  論文  参考訳（メタデータ） (2026-02-19T02:47:46Z)
• Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
  我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。 我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
  論文  参考訳（メタデータ） (2025-12-16T18:51:23Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• AI Agentic workflows and Enterprise APIs: Adapting API architectures for the age of AI agents [0.0]
  生成型AIは、自律型AIエージェントの出現を触媒し、エンタープライズコンピューティングインフラストラクチャに対する前例のない課題を提示している。 現在のエンタープライズAPIアーキテクチャは、主に人間主導の事前定義されたインタラクションパターンのために設計されており、インテリジェントエージェントの動的で目標指向の振る舞いをサポートするために、それらを不備にしている。 本研究は,AIエージェントを効果的にサポートするエンタープライズAPIのアーキテクチャ適応を体系的に検討する。
  論文  参考訳（メタデータ） (2025-01-22T05:55:16Z)
• Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
  大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。 しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。 本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:14:34Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
  化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。 生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。 本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-24T19:34:04Z)
• Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation [1.6230958216521798]
  本研究では,事前学習された大規模言語モデル(LLM)を活用する可能性について検討する。 推論コアとしてChatGPT APIを採用することで、自然言語処理、メソノロジーベースのプロンプトチューニング、トランスフォーマーを含む統合ワークフローを概説する。 我々の方法論の成果は、広く採用されているオントロジー言語(OWL、RDF、SPARQLなど)の知識グラフである。
  論文  参考訳（メタデータ） (2024-05-29T16:40:31Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)

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。