Fugu-MT 論文翻訳(概要): AI-accelerated End-to-End Framework for Rapid Professional Upskilling

論文の概要: AI-accelerated End-to-End Framework for Rapid Professional Upskilling

arxiv url: http://arxiv.org/abs/2607.14044v1
Date: Wed, 15 Jul 2026 17:14:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-16 16:39:12.839056
Title: AI-accelerated End-to-End Framework for Rapid Professional Upskilling
Title（参考訳）: AIによるプロの素早いアップスキルのためのエンドツーエンドフレームワーク
Abstract要約: 知識獲得の5段階にわたって,AIアクセラレーションを適用したエンドツーエンドフレームワークを提案する。 3人の学習者がNVIDIA Certified Professional in Agentic AIの試験に合格した。プログラムの知識ベースは、マルチエージェントAIシステムのリスクを管理するための堅牢な1,267のリスク項目データセットの生成など、複雑な下流分析をサポートする。
参考スコア（独自算出の注目度）: 5.554116398476854
License: http://creativecommons.org/licenses/by/4.0/
Abstract: By 2030, 59 of every 100 workers will need reskilling or upskilling, yet the average time to close an enterprise skills gap grew from roughly 3 days in 2014 to 36 days in 2018. Most current frameworks accelerate single stages of upskilling programs and generally lack industry validation. We present an end-to-end framework that applies AI acceleration across five stages of knowledge acquisition, content development, content review and verification, teaching, and assessment development; with a strong focus on both production and learning efficiency. Three strong external signals validates the framework: the US National Association of State Boards of Accountancy reviewed and approved an upskilling program built on the framework for continuing-professional-education credits; 3 learners followed the program and passed the NVIDIA Certified Professional in Agentic AI exam in a significantly short amount of time, with 14 more in progress; the program's knowledge base supports complex downstream analysis such as the production of a robust 1,267 risk item dataset for managing multi-agent AI system risks.
Abstract（参考訳）: 2030年までに100人中59人がリスキルやアップスキルを必要とするが、企業のスキルギャップを埋める平均時間は2014年の約3日間から2018年の36日間に増加した。現在のフレームワークのほとんどは、アップスキルプログラムの単一ステージを加速し、一般的に業界の検証を欠いている。我々は、知識獲得、コンテンツ開発、コンテンツレビューと検証、教育、評価開発の5段階にわたるAIアクセラレーションをエンドツーエンドのフレームワークで適用し、生産と学習効率の両方に重点を置いています。 3つの強力な外部シグナルは、このフレームワークを検証する: 国家会計士協会は、継続的な専門職教育クレジットのためのフレームワーク上に構築されたスキル向上プログラムをレビューし、承認した; 3人の学習者がこのプログラムに従い、NVIDIA Certified Professional in Agentic AI Testingを驚くほど短時間で合格し、14の進歩がある;プログラムの知識ベースは、マルチエージェントAIシステムのリスクを管理するための頑丈な1,267のリスクアイテムデータセットの作成のような複雑な下流分析をサポートする。

関連論文リスト

Three-Phase Evaluation of AI-Assisted Software Development Life Cycle [0.0]
4人の開発者のチームが、GitHub Copilotを使用したフルスタックWebアプリケーション、GitHub Copilotを使用したAI排他ワークフロー、AWS Kiroを使用したAI排他ワークフローを再実装した。フェーズを通じて、より高いレベルのAI自律性は、開発労力の削減、要求の順守の改善、自己報告されたメンタルワークロードの低減に関連付けられました。 AWS Kiroフェーズは、ほとんどの測定範囲で最大の全体的なパフォーマンスを達成し、ツーリングアーキテクチャがAIの自律性レベルとは独立して結果に影響を与える可能性があることを示唆している。
論文参考訳（メタデータ） (2026-07-06T14:13:25Z)
AcademiClaw: When Students Set Challenges for AI Agents [69.70303995121154]
AcademiClaw(アカデミクロー)は、大学生の実際の学術的切断から直接引き出された80の複雑な長い水平タスクのベンチマークである。最高のモデルでさえ、55%のパスレートしか達成できないことを示す。 AcademiClawとそのオープンソースデータとコードが、OpenClawコミュニティにとって有用なリソースになることを願っています。
論文参考訳（メタデータ） (2026-05-04T14:40:42Z)
Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption [1.066082625513843]
Acemoglu-Restrepoタスク露光フレームワークを拡張し、エージェント人工知能システムの労働市場効果に対処する。個々のサブタスクを代用する従来の自動化技術とは異なり、エージェントAIシステムはマルチステップ推論を使用してエンドツーエンドを実行する。 O*NETタスクデータからアルゴリズムで計算した複合尺度であるAgentic Exposureスコアを紹介する。
論文参考訳（メタデータ） (2026-03-31T19:36:36Z)
LongCLI-Bench: A Preliminary Benchmark and Study for Long-horizon Agentic Programming in Command-Line Interfaces [65.11019654023978]
LongCLI-Benchは、長期にわたる現実的なタスクにまたがるエージェント能力を評価するために設計されたベンチマークである。私たちは、1000以上のコンピュータサイエンスの課題と現実世界のタスクから、20の高品質で長い水平タスクをキュレートしました。実験によると、最先端のエージェントでさえLongCLI-Benchの20%未満のパスレートを達成する。
論文参考訳（メタデータ） (2026-02-15T23:12:57Z)
NL2Repo-Bench: Towards Long-Horizon Repository Generation Evaluation of Coding Agents [79.29376673236142]
既存のベンチマークは、完全なソフトウェアシステムを構築するのに必要な長期的能力の厳格な評価に失敗する。符号化エージェントの長期リポジトリ生成能力を評価するために設計されたベンチマークであるNL2Repo Benchを提案する。
論文参考訳（メタデータ） (2025-12-14T15:12:13Z)
International AI Safety Report 2025: Second Key Update: Technical Safeguards and Risk Management [115.92752850425272]
2025年の国際AI安全レポートの第2の更新は、この1年で汎用AIリスク管理の新しい展開を評価している。研究者、公共機関、AI開発者が汎用AIのリスク管理にどのようにアプローチしているかを調べる。
論文参考訳（メタデータ） (2025-11-25T03:12:56Z)
International AI Safety Report 2025: First Key Update: Capabilities and Risk Implications [118.49965571969089]
今回のアップデートは、AIの能力が最初のAI Safety Reportからどのように改善されたかを調べるものだ。重大な新たな証拠が評価を更新する重要なリスク領域に焦点を当てている。
論文参考訳（メタデータ） (2025-10-15T15:13:49Z)
Intuition to Evidence: Measuring AI's True Impact on Developer Productivity [30.02516976149379]
本稿では,企業規模でのAI支援ソフトウェア開発ツールの総合的実環境評価について述べる。 1年以上にわたり、複数のチームにわたる300人のエンジニアが、コード生成と自動レビュー機能を組み合わせた社内AIプラットフォーム(DeputyDev)を統合した。
論文参考訳（メタデータ） (2025-09-24T02:34:11Z)
From Code Generation to Software Testing: AI Copilot with Context-Based RAG [8.28588489551341]
本稿では,2つの相互接続問題として,バグ検出と少ないバグでコーディングを行うことにより,ソフトウェアテストの新たな視点を提案する。我々は、バグ検出と更新を同期する自動テストシステムであるCopilot for Testingを紹介した。評価の結果,バグ検出精度が31.2%向上し,テストカバレッジが12.6%向上し,ユーザ受け入れ率が10.5%向上した。
論文参考訳（メタデータ） (2025-04-02T16:20:05Z)
AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
論文参考訳（メタデータ） (2025-02-19T05:58:52Z)

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。