Fugu-MT 論文翻訳(概要): Learning When to Automate: Queue Control in Human-AI Service Systems

論文の概要: Learning When to Automate: Queue Control in Human-AI Service Systems

arxiv url: http://arxiv.org/abs/2607.06017v1
Date: Tue, 07 Jul 2026 08:58:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 21:24:51.461299
Title: Learning When to Automate: Queue Control in Human-AI Service Systems
Title（参考訳）: 自動処理の学習:人間-AIサービスシステムにおけるキュー制御
Authors: Giovanni Montanari, Marco Scarsini, Vianney Perchet,
Abstract要約: タスクが順次到着し、2段階アーキテクチャで処理されるヒューマンAIサービスシステムについて検討する。本稿では,上位信頼境界とDrift-Plus-Penalty制御を組み合わせたUPB-DPPポリシを提案し,システムの未知のパラメータを学習する。 UCB-DPPが$widetildemathcalO(KsqrtT)$を後悔して達成できることを証明し、ヒューマンサービスキューの平均的な安定性を保証する。
参考スコア（独自算出の注目度）: 25.37307134414556
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study a human-AI service system in which tasks arrive sequentially and are processed through a two-stage architecture: an automated chatbot followed, when necessary, by a human agent. We consider $T$ sequentially arriving tasks, each belonging to one of $K$ heterogeneous types. For each task the decision maker chooses how many resources to allocate to the chatbot, whose type-dependent success probabilities are initially unknown. Tasks not resolved by the chatbot enter type-dependent human-service queues, where they are processed by a human agent with unknown service rates. This model captures a central tradeoff in hybrid service systems: relying more on automation reduces human congestion but increases chatbot costs, while insufficient automation may overload the human agent. We propose the UCB-DPP policy, which combines Upper Confidence Bounds with Drift-Plus-Penalty control to learn the unknown parameters of the system while making queue-aware decisions. We prove that UCB-DPP achieves regret $\widetilde{\mathcal{O}}(K\sqrt{T})$ and guarantees mean-rate stability of the human-service queues. Simulations on synthetic instances show that the proposed policy outperforms natural baselines.
Abstract（参考訳）: 本研究では,タスクが順次到着して2段階アーキテクチャによって処理されるヒューマンAIサービスシステムについて検討する。我々は、$T$が連続的に到着するタスクを考え、それぞれが$K$不均一な型のいずれかに属している。各タスクに対して、意思決定者は、タイプ依存の成功確率が不明なチャットボットに割り当てるリソースの数を選択する。チャットボットが解決しないタスクは、タイプ依存のヒューマンサービスキューに入り、未知のサービスレートを持つヒューマンエージェントによって処理される。このモデルはハイブリッドサービスシステムにおける中心的なトレードオフを捉えている。自動化に依存しているため、人間の混雑は減少するが、チャットボットのコストは増大する。本稿では,アッパー信頼境界とDrift-Plus-Penalty制御を組み合わせたUPB-DPPポリシを提案する。 UCB-DPPが後悔の$\widetilde{\mathcal{O}}(K\sqrt{T})$を達成し、ヒューマンサービスキューの平均的な安定性を保証する。合成例のシミュレーションにより,提案法は天然の塩基性よりも優れていることが示された。

関連論文リスト

Passivity-based Semi-autonomous Rotational Motion Navigation for Rigid-body Networks: Stability and Human Passivity Analysis [1.357291726431012]
本稿では, パッシビリティに基づく半自律的姿勢制御フレームワークを提案する。まず,人間の操作者へフィードバックされる平均情報の不変性を多ボットシステムで保持する新しい制御アーキテクチャを提案する。そこで我々は,人間が受動的システムとして振る舞うことを前提として,提案したループシステムの閉ループ安定性を厳密に証明する。
論文参考訳（メタデータ） (2026-05-23T20:49:32Z)
Economics of Human and AI Collaboration: When is Partial Automation More Attractive than Full Automation? [7.168698398166703]
本稿では,タスク自動化の最適度を評価するための統一的なフレームワークを開発する。我々は、データ、計算、モデルサイズにパフォーマンスをリンクするスケーリング法則の実験を通じて、AI生産関数を推定する。完全自動化はコストを最小化するものではなく、企業が残業のために人間の労働者を保持する部分自動化は、しばしば均衡として出現する。
論文参考訳（メタデータ） (2026-03-31T01:18:10Z)
RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文参考訳（メタデータ） (2026-03-12T11:18:52Z)
AI Autonomy Coefficient ($α$): Defining Boundaries for Responsible AI Systems [0.15293427903448018]
現代のAIシステムの統合性は、Human-in-the-Loopモデルの誤用によって損なわれる。機能独立の定量的レベルを示すためにAIシステムを必要とするAI-First, Human-Empowered(AFHE)パラダイムを導入する。 AFHEは、現代のAIシステムにおいて、検証可能な自律性、透明性、持続的な保守性を保証するためのメトリック駆動型アプローチを提供する、と結論付けています。
論文参考訳（メタデータ） (2025-12-12T05:41:20Z)
Idempotent Equilibrium Analysis of Hybrid Workflow Allocation: A Mathematical Schema for Future Work [0.0]
大規模なAIシステムは、仕事をどのように人と機械に分割するかを変えようとしている。我々は、この位置を反復的タスクデリゲーション写像として定式化し、その過程が安定な等等均衡に収束することを示す。我々は、「センタウル」な人間とAIの連携を促進する政策は、福祉を最大化する固定点に向けて経済を操ることができると論じる。
論文参考訳（メタデータ） (2025-08-02T11:28:34Z)
OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文参考訳（メタデータ） (2023-03-01T13:35:22Z)
MulBot: Unsupervised Bot Detection Based on Multivariate Time Series [2.525739800601558]
MulBotは、ユーザタイムラインから抽出された多次元の時間的特徴に基づく教師なしボット検出器である。我々はf1-score $= 0.99$を達成するバイナリ分類タスクを実行し、最先端の手法より優れています。また、MulBotの強みを、異なるボットネットの検出と分離という、新しく実用的なタスクで実証する。
論文参考訳（メタデータ） (2022-09-21T13:56:12Z)
Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文参考訳（メタデータ） (2022-03-31T23:08:20Z)
Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-12-16T16:47:00Z)
SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。