論文の概要: Customized Generative AI Agent for Transportation Engineering Practice: A Development and Continued Pre-training Guideline
- arxiv url: http://arxiv.org/abs/2606.29014v2
- Date: Fri, 03 Jul 2026 19:03:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 13:04:58.218253
- Title: Customized Generative AI Agent for Transportation Engineering Practice: A Development and Continued Pre-training Guideline
- Title（参考訳）: 交通工学実践のためのカスタム生成AIエージェント:開発と継続事前学習ガイドライン
- Abstract要約: 本研究では,交通工学応用のためのカスタマイズ型生成AIエージェントを開発するための体系的アプローチを提案する。
米国の交通マニュアル、設計ガイドライン、規制文書のキュレートされたコーパスは、6つの最先端のLCMの事前訓練を行うために使用される。
LLMの性能向上におけるLoRAに基づく適応の有効性が,技術内容の解釈と文脈依存推論に及ぼす影響を検証した。
- 参考スコア（独自算出の注目度）: 5.805390678508971
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in generative artificial intelligence (AI) and large language models (LLMs) have shown significant promise in automating complex reasoning, summarization, and question-answering tasks. However, the effectiveness of general-purpose LLMs in specialized engineering domains remains limited due to insufficient exposure to technical standards, engineering terminology, and domain-specific semantics. This study proposes a systematic approach to developing a customized generative AI agent for transportation engineering applications. A curated corpus of U.S. transportation manuals, design guidelines, and regulatory documents is used to conduct continued pretraining of six state-of-the-art LLMs through a unified low-rank adaptation (LoRA) framework. The training process is monitored to ensure convergence and model stability. Performance is evaluated using standard natural language processing metrics, including BLEU-4 and ROUGE, with Qwen2.5-7B and LLaMA-3.1-8B demonstrating the highest domain alignment and response quality. Results validate the effectiveness of LoRA-based adaptation in improving LLM performance on technical content interpretation and context-specific reasoning. This work contributes a reproducible development framework for constructing domain-specialized generative AI agents, supporting broader deployment in transportation research, design, planning, and policy analysis.
- Abstract（参考訳）: 生成人工知能(AI)と大規模言語モデル(LLM)の最近の進歩は、複雑な推論、要約、質問応答タスクの自動化において大きな可能性を示唆している。
しかし、専門技術分野における汎用LLMの有効性は、技術標準、工学用語、ドメイン固有の意味論への露出が不十分なため、依然として限られている。
本研究では,交通工学応用のためのカスタマイズ型生成AIエージェントを開発するための体系的アプローチを提案する。
米国の輸送マニュアル、設計ガイドライン、規制文書のキュレートされたコーパスは、統一されたローランク適応(LoRA)フレームワークを通じて、6つの最先端のLCMの継続的な事前訓練を行うために使用される。
トレーニングプロセスは、収束とモデルの安定性を確保するために監視される。
Qwen2.5-7BとLLaMA-3.1-8Bはドメインアライメントと応答品質が最も高いことを示す。
LLMの性能向上におけるLoRAに基づく適応の有効性が,技術内容の解釈と文脈依存推論に及ぼす影響を検証した。
この研究は、ドメイン固有化された生成AIエージェントを構築するための再現可能な開発フレームワークに貢献し、輸送研究、設計、計画、ポリシー分析への広範な展開をサポートする。
関連論文リスト
- From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - Assistance to Autonomy: A Systematic Literature Review of Agentic AI across the Software Development Life Cycle [4.241377338556251]
本研究は,ソフトウェア製品開発におけるエージェントシステムに関する現在の文献の包括的評価に寄与する。
また、高ボリュームSLRドメインのスクリーニングフェーズを自動化するためのAI支援ツールの形式での方法論的なコントリビューションも提供する。
論文 参考訳（メタデータ） (2026-05-14T10:46:51Z) - Collaborative Agent Reasoning Engineering (CARE): A Three-Party Design Methodology for Systematically Engineering AI Agents with Subject Matter Experts, Developers, and Helper Agents [0.16302332606018002]
協調的エージェント推論工学(英: Collaborative Agent Reasoning Engineering、CARE)は、科学分野における大規模言語モデル(LLM)エージェントの専門的な方法論である。
CAREは、振る舞い、グラウンド、ツールオーケストレーション、再利用可能なアーティファクトと、システマティックなステージゲートフェーズによる検証を指定する。
論文 参考訳（メタデータ） (2026-04-30T15:54:47Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing [0.0]
本稿では,複合エージェントAIとマルチエージェントフレームワークを,規範的メンテナンスユースケースに適用する。
提案するフレームワークは、認識層、前処理層、分析層、最適化層からなる階層アーキテクチャを採用している。
特殊エージェントは、スキーマ発見、インテリジェントな特徴分析、モデル選択、規範最適化を自律的に処理する。
最初の概念実証は、2つの工業生産データセットで検証される。
論文 参考訳（メタデータ） (2025-11-23T03:06:23Z) - Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。
Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。
本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:53:48Z) - An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。
このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。
完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
論文 参考訳（メタデータ） (2025-04-20T16:57:45Z) - A Survey on Post-training of Large Language Models [185.51013463503946]
大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。
これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。
本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
論文 参考訳（メタデータ） (2025-03-08T05:41:42Z) - Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。
しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。
この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-18T15:07:06Z) - Unleashing the potential of prompt engineering for large language models [1.6006550105523192]
大規模言語モデル(LLM)の能力を解き放つ上で,迅速なエンジニアリングが果たす重要な役割を概観する
自己整合性、思考の連鎖、そして生成された知識などの技術を含む、素早い工学の基礎的方法論と先進的な方法論の両方を検査する。
AIセキュリティの側面、特に迅速なエンジニアリングの脆弱性を悪用する敵攻撃について論じる。
論文 参考訳（メタデータ） (2023-10-23T09:15:18Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。