Fugu-MT 論文翻訳(概要): LLMs in the Real World: Evaluating "AI" in Emergency Contexts

論文の概要: LLMs in the Real World: Evaluating "AI" in Emergency Contexts

arxiv url: http://arxiv.org/abs/2607.00019v1
Date: Fri, 29 May 2026 19:27:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-05 17:01:29.627662
Title: LLMs in the Real World: Evaluating "AI" in Emergency Contexts
Title（参考訳）: 現実世界のLLM:緊急時の「AI」の評価
Abstract要約: 本稿では,LLMをベースとした機械翻訳アプリケーションの実環境における展開の初期段階に関するケーススタディを提案する。このような技術に関する多くの一般的な誤解を特定し、具体的な推奨事項をまとめて結論付けます。
参考スコア（独自算出の注目度）: 2.115590859976976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper offers a call to action. We urge our colleagues in the research community to play a greater role in the articulation of our findings to the public. To illustrate the stakes we present a case study on the initial stages of an LLM-based machine translation application's deployment in a real-world context: a text-2-911 system advertising capabilities in 55 languages for use in emergencies in which it may be difficult to call operators directly. We identify a number of common misconceptions about technologies such as these, concluding with a set of concrete recommendations and best practices for stakeholders at every stage of the development and deployment pipeline. While the advancement of scientific research often lies in solving the "hard" problems, we argue it is often the "easy" ones -- problems for which the latest technology is often unnecessary -- that are most overlooked.
Abstract（参考訳）: この論文は行動を呼び起こします。我々は,研究コミュニティの同僚に,我々の発見を公衆に伝える上で,より大きな役割を果たすよう促す。実世界の文脈におけるLLMベースの機械翻訳アプリケーションの展開の初期段階に関するケーススタディとして,55言語でのテキスト2-911システム広告機能について述べる。このような技術に関する多くの一般的な誤解を特定し、開発とデプロイメントパイプラインのすべての段階におけるステークホルダーのための具体的な推奨事項とベストプラクティスをまとめて結論付けます。科学研究の進歩は「ハード」な問題を解決することにあることが多いが、最新の技術がしばしば不要な問題である「簡単」な問題が最も見落とされがちであると主張する。

関連論文リスト

What We Know about Responsible AI Practices in Industry: A Half Decade of Empirical Research [27.930796808132413]
責任AI(Responsible AI, RAI)は、テクノロジー企業、規制当局、そして一般大衆にとって中心的な関心事となっている。この研究は6年間にわたる161の実証研究の文献レビューを通じて、現在の知識を合成する。我々の合成は、産業RAI実践における有意義な進歩と永続的な課題の両方を明らかにします。
論文参考訳（メタデータ） (2026-08-11T03:29:48Z)
LIR: The First Workshop on Late Interaction and Multi Vector Retrieval @ ECIR 2026 [17.097147033209037]
ColBERTによって先駆けられた後期相互作用探索法は、単一ベクトルニューラルIRの強力な代替品として登場した。それらは、特にドメイン外設定において、強力な一般化と堅牢性をもたらすことが実証されている。最近では、推論ベースや相互モダリティ検索など、新しいユースケースに特に適していることが示されている。
論文参考訳（メタデータ） (2025-11-01T08:21:33Z)
Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文参考訳（メタデータ） (2025-08-28T13:00:28Z)
Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
論文参考訳（メタデータ） (2025-05-12T14:05:23Z)
Towards Automated Scoping of AI for Social Good Projects [8.600895107205083]
本稿では,科学文献と実世界の知識を基盤とした総合的なプロジェクト提案を生成する問題抽出エージェント(PSA)を提案する。私たちのPSAフレームワークは、ブラインドレビューとAI評価を通じて、専門家が書いた提案に匹敵する提案を生成することを実証しています。
論文参考訳（メタデータ） (2025-04-28T17:29:51Z)
Practical Considerations for Agentic LLM Systems [5.455744338342196]
本稿では、確立されたアプリケーションパラダイムの文脈における研究コミュニティからの実行可能な洞察と考察について述べる。すなわち、アプリケーション中心の文献における一般的な実践に基づいて、関連する研究成果を4つの幅広いカテゴリ – プランニング、メモリツール、コントロールフロー – に位置づける。
論文参考訳（メタデータ） (2024-12-05T11:57:49Z)
Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [43.27239522837257]
本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
論文参考訳（メタデータ） (2024-11-15T15:18:57Z)
A Comprehensive Survey on Inverse Constrained Reinforcement Learning: Definitions, Progress and Challenges [27.681999552782372]
逆制約強化学習(英: Inverse Constrained Reinforcement Learning、ICRL)とは、実験データに基づいて専門家が従う暗黙の制約を推測するタスクである。本論では, ICRLの最近の進歩について分類学的に考察する。 ICRLの定義、進歩、重要な課題を理解しようとする初心者だけでなく、機械学習の研究者や実践者にとっても包括的な参照として機能する。
論文参考訳（メタデータ） (2024-09-11T18:49:03Z)
No Size Fits All: The Perils and Pitfalls of Leveraging LLMs Vary with Company Size [7.660415388174536]
大規模言語モデル(LLM)は、さまざまな組織における戦略的ユースケースの展開において、重要な役割を担っている。 LLMの活用が成功する際の課題や課題は、組織の大きさによって大きく異なる可能性がある。
論文参考訳（メタデータ） (2024-07-21T16:11:00Z)
LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-07T04:00:30Z)
A Systematic Literature Review on Large Language Models for Automated Program Repair [21.140070763968634]
研究者が現在の成果、課題、潜在的な機会を理解することは困難である。この研究は、2020年から2025年までのAPRにおけるLarge Language Modelsの応用を要約する最初の体系的な文献レビューを提供する。
論文参考訳（メタデータ） (2024-05-02T16:55:03Z)
Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文参考訳（メタデータ） (2024-02-23T06:04:23Z)
Responsible AI Considerations in Text Summarization Research: A Review of Current Practices [89.85174013619883]
私たちは、責任あるAIコミュニティがほとんど見落としている共通のNLPタスクである、テキスト要約に重点を置いています。我々は,2020-2022年に出版されたACLアンソロジーから333の要約論文の多段階的質的分析を行った。私たちは、どの、どの、どの責任あるAI問題がカバーされているか、どの関係するステークホルダーが考慮されているか、そして、述べられた研究目標と実現された研究目標のミスマッチに焦点を合わせます。
論文参考訳（メタデータ） (2023-11-18T15:35:36Z)
Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
論文参考訳（メタデータ） (2023-09-12T14:36:23Z)
Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文参考訳（メタデータ） (2020-03-10T20:41:24Z)

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。