論文の概要: Reasoning Beyond Prediction: From Data-Driven to Causal Software Engineering
- arxiv url: http://arxiv.org/abs/2606.27960v1
- Date: Fri, 26 Jun 2026 11:03:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.471
- Title: Reasoning Beyond Prediction: From Data-Driven to Causal Software Engineering
- Title（参考訳）: 予測以上の推論: データ駆動から因果的ソフトウェア工学へ
- Abstract要約: 我々は人間と機械の協力の新しいパラダイムを提唱する。
マシンは単にルーチンタスクを自動化するだけでなく、エンジニアの推論を積極的に増幅します。
ソフトウェアが賢くなるにつれて、よりスマートなサポートが必要になります。
- 参考スコア（独自算出の注目度）: 9.659620367206408
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Software engineering is an intellectually demanding, creative discipline that juggles a web of interdependent tasks to design, build, and assure the quality of increasingly complex systems. As our expectations from software soar - with demands spanning AI-driven products, pervasively distributed and cloud-native architectures, and deeply embedded cyber-physical environments - its complexity steadily increases. In response, a new wave of co-engineering methods and tools, fueled by deep learning, has emerged to augment the process, enhancing automation and decision support. Yet, these advances remain far from delivering the kind of intelligent support that modern software development demands. We call for a new paradigm of human-machine cooperation: one where machines don't just automate routine tasks or predict from learned patterns, but actively amplify engineers' reasoning through the lens of causation. As software becomes smarter, a smarter support is needed.
- Abstract（参考訳）: ソフトウェアエンジニアリングは知的に要求される創造的な規律であり、ますます複雑化するシステムの品質を設計、構築、保証するために、相互依存するタスクのウェブをジャグリングする。
ソフトウェアからの期待が高まり、AI駆動の製品、広く分散されたクラウドネイティブなアーキテクチャ、深く埋め込まれたサイバー物理環境が要求されるにつれて、その複雑さは着実に増加します。
これに応えて、ディープラーニングによって推進された新しい共同エンジニアリング手法とツールの波が出現し、プロセスを強化し、自動化と意思決定支援を強化した。
しかし、これらの進歩は、現代のソフトウェア開発の要求のようなインテリジェントなサポートを提供するには程遠い。
機械が日常的なタスクを自動化したり、学習パターンから予測したりするだけでなく、因果関係のレンズを通じてエンジニアの推論を積極的に増幅する。
ソフトウェアが賢くなるにつれて、よりスマートなサポートが必要になります。
関連論文リスト
- The Specification Paradox: Rethinking Requirements Engineering in the Age of AI [0.0]
この記事では、コード中心のパラダイムから仕様駆動開発への移行について論じます。
我々は、人工知能がソースコード作成に関わる労力の一部を削減していると主張するが、プロのソフトウェアシステムの開発の複雑さを排除しているわけではない。
ソフトウェアエンジニアリングの未来は、コードを生成する機械の能力だけでなく、人間が作るべきものを正しく特定し、評価し、進化させる能力にも依存する、と結論付けています。
論文 参考訳（メタデータ） (2026-08-17T14:19:14Z) - Artificial Intelligence as a Catalyst for Innovation in Software Engineering [0.0]
この記事では、アジリティを向上し、イノベーションを促進するための強力な触媒としてAIがどのように機能するかについて説明する。
AIの統合(特に機械学習(ML)と自然言語処理(NLP))は、面倒なタスクの自動化を促進する。
論文 参考訳（メタデータ） (2026-03-11T17:20:30Z) - Compiler.next: A Search-Based Compiler to Power the AI-Native Future of Software Engineering [3.8060608371616778]
我々はAIネイティブソフトウェアシステムのシームレスな進化を可能にするために設計された新しい検索ベースのコンパイラであるCompiler.nextを紹介する。
従来の静的コンパイラとは異なり、Compiler.nextは人間によるインテントを取り込み、最適なソリューションを探すことで動作するソフトウェアを自動的に生成する。
本稿では、高品質なプログラミング構造の開発、効率的な検索構造、コンパイラ間の相互運用性など、インテントコンパイルにおける中核的な課題に対処するためのロードマップを示す。
論文 参考訳（メタデータ） (2025-10-27T21:01:48Z) - A Survey on Cloud-Edge-Terminal Collaborative Intelligence in AIoT Networks [49.90474228895655]
クラウドエッジ端末協調インテリジェンス(CETCI)は、モノの人工知能(AIoT)コミュニティにおける基本的なパラダイムである。
CETCIは、分離されたレイヤ最適化からデプロイ可能なコラボレーティブインテリジェンスシステムに移行する、新興のAIoTアプリケーションで大きな進歩を遂げた。
本調査では、基礎アーキテクチャ、CETCIパラダイムのテクノロジの実現、シナリオについて解説し、CISAIOT初心者向けのチュートリアルスタイルのレビューを提供する。
論文 参考訳（メタデータ） (2025-08-26T08:38:01Z) - AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。
まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。
第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。
第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
論文 参考訳（メタデータ） (2025-06-14T12:43:07Z) - A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm [9.900581015679935]
本稿では,ニューロシンボリック・ソフトウェア・エンジニアリングを,ニューラルネットワークとシンボリック(ルールベース)推論を組み合わせた有望なパラダイムとして提案する。
このハイブリッド方法論は、AI駆動ソフトウェアエンジニアリングの効率性、信頼性、透明性を高めることを目的としている。
論文 参考訳（メタデータ） (2025-05-04T22:10:21Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。
結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
論文 参考訳（メタデータ） (2024-10-28T13:03:09Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。