論文の概要: AINTMA: Agentic AI Architecture for Autonomous Test Management with Generative Intelligence, Secure Cloud Communication and Adaptive Quality Analytics

• arxiv url: http://arxiv.org/abs/2607.20452v1
• Date: Thu, 14 May 2026 18:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.176751
• Title: AINTMA: Agentic AI Architecture for Autonomous Test Management with Generative Intelligence, Secure Cloud Communication and Adaptive Quality Analytics
• Title（参考訳）: AINTMA: ジェネレーティブインテリジェンス、セキュアクラウド通信、適応品質分析を備えた自律テスト管理のためのエージェントAIアーキテクチャ
• Abstract要約: AINTMAは、従来のテスト管理を自律的な品質インテリジェンスエコシステムに変換する、マルチエージェントエージェントAIシステムである。 AINTMAは、クラウドネイティブインフラストラクチャ上のセキュアなマルチエージェント通信フレームワークを通じて調整された6つの専門的なAIエージェントをデプロイする。 エージェントアーキテクチャは、400ms以下の応答時間で50,000以上のテストケースにスケールし、生成インテリジェンスモジュールは4.3/5.0の開発者の有用性評価を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern software quality assurance demands intelligent, autonomous systems capable of adaptive decision-making across distributed cloud environments. This paper presents AINTMA (Agentic Intelligent Test Management Architecture), a multi-agent agentic AI system that transforms traditional test management into an autonomous quality intelligence ecosystem. AINTMA deploys six specialized AI agents (Test Discovery, Risk Assessment, Reinforcement Learning Prioritization, Execution Orchestration, Generative Quality Intelligence, and Cloud Security Monitor) coordinated through a secure multi-agent communication framework over a cloud-native microservices infrastructure. The Generative Quality Intelligence agent employs large language models to produce plain language quality narratives, defect risk summaries, and data-augmented test recommendations. The RL Prioritization agent models test selection as a Markov Decision Process, learning contextual policies from large-scale historical test execution data (47 features, rolling 36-month window). Secure cloud communication is enforced through a zero-trust API gateway with OAuth2/JWT authentication, encrypted inter-agent messaging, and multi-tenant isolation. Evaluation across 12 heterogeneous software projects over 18 months demonstrates: 88.4% test prioritization accuracy (APFD, vs. 51.2% random, 82.1% best commercial baseline); 43% test cycle time reduction; defect escape rate reduced from 8.3% to 2.1%; 340% ROI at 9-month payback. The agentic architecture scales to 50,000+ test cases with sub-400ms response time, and the generative intelligence module achieves 4.3/5.0 developer usefulness rating. AINTMA demonstrates that agentic AI, combining autonomous multi-agent coordination, generative intelligence and secure smart connectivity, can fundamentally advance software quality management in cloud-scale enterprise environments.
• Abstract（参考訳）: 現代のソフトウェア品質保証は、分散クラウド環境全体にわたって適応的な意思決定が可能なインテリジェントで自律的なシステムを要求する。 本稿では,従来のテスト管理を自律的品質インテリジェンスエコシステムに変換するマルチエージェントエージェントAIシステムであるAINTMA(Agentic Intelligent Test Management Architecture)を提案する。 AINTMAは6つの専門的なAIエージェント(テストディスカバリ、リスクアセスメント、強化学習優先化、実行オーケストレーション、生成品質インテリジェンス、クラウドセキュリティ監視)を、クラウドネイティブなマイクロサービスインフラストラクチャ上のセキュアなマルチエージェント通信フレームワークを通じてデプロイする。 生成品質インテリジェンス(Generative Quality Intelligence)エージェントは、大きな言語モデルを使用して、プレーンな言語品質の物語、欠陥リスクの要約、データ拡張テストレコメンデーションを生成する。 RL優先順位付けエージェントはテスト選択をマルコフ決定プロセスとしてモデル化し、大規模な履歴テスト実行データ(47の機能、36ヶ月のロールウィンドウ)からコンテキストポリシーを学習する。 セキュアなクラウド通信は、OAuth2/JWT認証、暗号化されたエージェント間メッセージング、マルチテナント分離を備えたゼロトラストAPIゲートウェイを通じて実施される。 88.4%のテスト優先順位精度(APFD、51.2%ランダム、82.1%の商業ベースライン)、43%のテストサイクル時間の短縮、43%のテストサイクル時間の短縮、欠陥回避率の8.3%から2.1%、9ヶ月の報酬で340%のROIである。 エージェントアーキテクチャは、400ms以下の応答時間で50,000以上のテストケースにスケールし、生成インテリジェンスモジュールは4.3/5.0の開発者の有用性評価を達成する。 AINTMAは、自律的なマルチエージェント調整、ジェネレーティブインテリジェンス、セキュアなスマート接続を組み合わせたエージェントAIが、クラウドスケールのエンタープライズ環境におけるソフトウェア品質管理を根本的に向上させることができることを実証している。

関連論文リスト

• Beyond Test Presence: Assessing the Quality and Robustness of Agent-Generated Tests in Open-Source Projects [2.9713899640333348]
  AIによるコーディングエージェントを継続的インテグレーション/継続的デリバリパイプラインに統合することは、ソフトウェア検証の実施方法を根本的に変えた。 これらのエージェントは、テスト生成の自動化に成功したが、現在の評価ベンチマークは、生成されたテストの本質的な品質よりも、パスレートに重点を置いている。 AIDevデータセットから得られた24,941の人間が作成したファイルと179,732のエージェント生成ファイルからなる204,673個のテストアーティファクトを比較した。
  論文  参考訳（メタデータ） (2026-07-13T18:40:24Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• The Rise of Agentic Testing: Multi-Agent Systems for Robust Software Quality Assurance [0.0]
  現在のAIベースのテストジェネレータは、実行意識のフィードバックがないため、無効、冗長、あるいは実行不可能なテストを生成する。 本稿では,テスト生成エージェント,実行・分析エージェント,レビュー・最適化エージェントが協調してテストの生成,実行,解析,精査を行う,クローズドループの自己修正システムを提案する。
  論文  参考訳（メタデータ） (2026-01-05T18:20:14Z)
• Toward Training Superintelligent Software Agents through Self-Play SWE-RL [66.11447353341926]
  セルフプレイSWE-RLは、超知能ソフトウェアエージェントのトレーニングパラダイムに向けた第一歩である。 当社のアプローチでは,ソースコードとインストール済みの依存関係を備えたサンドボックスリポジトリへのアクセスのみを必要としています。 我々の成果は、早い段階で、エージェントが現実世界のソフトウェアリポジトリから広範囲にわたる学習経験を自律的に収集する道のりを示唆している。
  論文  参考訳（メタデータ） (2025-12-21T00:49:40Z)
• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
  自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。 静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。 本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
  論文  参考訳（メタデータ） (2025-10-07T05:45:25Z)
• LIMI: Less is More for Agency [49.63355240818081]
  LIMI(Less Is More for Intelligent Agency)は、機関が根本的に異なる開発原則に従うことを示す。 高度なエージェント・インテリジェンスは、最小でも戦略的にキュレートされた自律行動のデモンストレーションから生まれる可能性がある。 マシンの自律性はデータの豊富さではなく、高品質なエージェント実証の戦略的キュレーションから生まれる。
  論文  参考訳（メタデータ） (2025-09-22T10:59:32Z)
• Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
  汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。 現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。 我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
  論文  参考訳（メタデータ） (2025-08-01T08:11:31Z)

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。