論文の概要: AIGen: Automating AI Bill of Materials Generation Through Hybrid MLOps Integration

• arxiv url: http://arxiv.org/abs/2607.26652v1
• Date: Wed, 29 Jul 2026 09:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.608026
• Title: AIGen: Automating AI Bill of Materials Generation Through Hybrid MLOps Integration
• Title（参考訳）: AIGen:ハイブリッドMLOps統合による素材生成のAI請求を自動化する
• Abstract要約: 本稿では,機械可読AIシステム在庫を生成するモジュール型AIBoMジェネレータであるAIGenを提案する。 プラグインインターフェースでは、コア依存関係を変更することなく、ドメイン固有のコレクタでツールを拡張することができる。
• 参考スコア（独自算出の注目度）: 4.706463542284726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The responsible development and deployment of artificial intelligence (AI) systems requires rigorous documentation of their constituent artifacts, e.g., datasets, model weights, training pipelines, and runtime dependencies. Although the Software Package Data Exchange (SPDX) 3.0 standard introduced native support for AI and dataset profiles, practical tooling capable of generating standards-compliant AI Bills of Materials (AIBoMs) in an automated and extensible manner remains scarce. This paper presents AIGen, a modular AIBoM generator that produces machine-readable, interoperable inventories of AI system components that comply with the SPDX 3.0 AI profile. AIGen works on top of the MLflow MLOps framework and combines mining heuristics with Large Language Models to generate AIBoMs. A plugin interface allows practitioners to extend the tool with domain-specific collectors without modifying the core codebase, supporting heterogeneous AI frameworks such as Hugging Face, PyTorch, and TensorFlow. AIGen is designed to facilitate compliance with the European Union AI Act, the NIST AI Risk Management Framework, and ISO/IEC 42001, providing a concrete, reusable foundation for transparent, accountable AI supply chain governance. Tool URL: https://github.com/danielebifolco/AIGen Tool Video: https://youtu.be/\_nAbXDWfVL4
• Abstract（参考訳）: 人工知能(AI)システムの責任ある開発とデプロイには、データセット、モデルウェイト、トレーニングパイプライン、実行時の依存関係といった、その構成成果物の厳密なドキュメントが必要である。 Software Package Data Exchange (SPDX) 3.0標準では、AIとデータセットプロファイルのネイティブサポートが導入されているが、標準に準拠したAI Bills of Materials(AIBoMs)を自動で拡張可能な方法で生成できる実用的なツールはまだ少ない。 本稿では、SPDX 3.0 AIプロファイルに準拠したAIシステムコンポーネントの機械可読で相互運用可能な在庫を生成するモジュール型AIBoMジェネレータであるAIGenを提案する。 AIGenはMLflow MLOpsフレームワーク上で動作し、マイニングヒューリスティックと大規模言語モデルを組み合わせてAIBoMを生成する。 プラグインインターフェースにより、実践者はコアコードベースを変更することなく、ドメイン固有のコレクタでツールを拡張することができ、Hugging Face、PyTorch、TensorFlowなどの異種AIフレームワークをサポートする。 AIGenは欧州連合のAI法、NISTのAIリスク管理フレームワーク、ISO/IEC 42001の遵守を促進するために設計されており、透明で説明可能なAIサプライチェーンガバナンスのための具体的かつ再利用可能な基盤を提供する。 ツールURL: https://github.com/danielebifolco/AIGen Tool Video: https://youtu.be/\_nAbXDWfVL4

関連論文リスト

• Toward Reusability of AI Models Using Dynamic Updates of AI Documentation [1.503974529275767]
  この研究は、AIドキュメンテーション(AIモデルカード)を伴う再利用可能な人工知能(AI)モデルの普及という課題に対処する。 私たちの目標は、AIモデルカードテンプレートを更新する際の遅延時間を短縮し、AIドキュメントを現在のAIベストプラクティスとより緊密に調整することにあります。 私たちの仕事の影響は、AIモデルをドキュメント化し、AIモデルの再利用を改善するための、アジャイル、データ駆動、およびコミュニティベースの標準を提供するための方法論の導入にあります。
  論文  参考訳（メタデータ） (2026-04-19T21:42:37Z)
• AIBuildAI: An AI Agent for Automatically Building AI Models [31.05147308924019]
  タスク記述とトレーニングデータからAIモデルを自動的に構築するAIエージェントであるAIBuildAIを紹介する。 我々は、リアルなKaggleスタイルのAI開発タスクのベンチマークであるMLE-Bench上でAIBuildAIを評価する。
  論文  参考訳（メタデータ） (2026-04-15T22:17:05Z)
• A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX [1.4085663724094575]
  Googleは、何十ものプロダクトにまたがって機械学習の利用を開拓してきた。 さまざまなMLフレームワークやバージョンで多数のモデルソースコードを維持することは、大きな課題です。 我々は、ディープラーニングモデルからJAXベースのモデルへの自動移行をサポートするために構築した、AIベースのマルチエージェントシステムについて説明する。
  論文  参考訳（メタデータ） (2026-03-28T14:59:40Z)
• Report for NSF Workshop on AI for Electronic Design Automation [56.48556959103223]
  本報告は、電子設計自動化のためのAIワークショップ(NSF Workshop on AI for Electronic Design Automation, EDA)の議論とレコメンデーションを精査するものである。 機械学習とEDAを専門とするワークショップでは、AIが拡張する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックメソッドなどについて調査した。 報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。
  論文  参考訳（メタデータ） (2026-01-20T23:45:40Z)
• AIBoMGen: Generating an AI Bill of Materials for Secure, Transparent, and Compliant Model Training [1.2520011735093362]
  AI Bill of Materials(AIBOM)は、トレーニングされたAIモデルとその環境の標準化された検証可能な記録として紹介されている。 私たちの概念実証プラットフォームであるAIBoMGenは、トレーニング中にデータセット、モデルメタデータ、環境の詳細をキャプチャすることで、署名されたAIBOMの生成を自動化する。
  論文  参考訳（メタデータ） (2026-01-09T10:46:42Z)
• 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)
• Embodied AI: From LLMs to World Models [65.68972714346909]
  人工知能(AI)は、人工知能(AGI)を実現するためのインテリジェントシステムパラダイムである。 近年のLarge Language Models(LLMs)とWorld Models(WMs)のブレークスルーは、AIを具現化する上で大きな注目を集めている。
  論文  参考訳（メタデータ） (2025-09-24T11:37:48Z)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Compliance Cards: Automated EU AI Act Compliance Analyses amidst a Complex AI Supply Chain [9.991293429067065]
  我々は、複雑なAIサプライチェーンの中で、プロバイダ側AIAコンプライアンス分析のための完全なシステムを導入する。 ひとつは、AIA固有のメタデータをキャプチャする、計算的でマルチステークホルダーの透明性アーティファクトのインターロックセットです。 第2のアルゴリズムは、AIシステムやモデルがAIAに準拠しているかどうかをリアルタイムで予測するアルゴリズムである。
  論文  参考訳（メタデータ） (2024-06-20T22:07:15Z)
• Large Language Models Empowered Autonomous Edge AI for Connected Intelligence [51.269276328087855]
  エッジ人工知能(Edge AI)は、コネクテッドインテリジェンスを実現するための有望なソリューションである。 この記事では、ユーザのさまざまな要件を満たすために自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムのビジョンを示す。
  論文  参考訳（メタデータ） (2023-07-06T05:16:55Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Investigating Explainability of Generative AI for Code through Scenario-based Design [44.44517254181818]
  生成AI(GenAI)技術は成熟し、ソフトウェア工学のようなアプリケーションドメインに適用されています。 私たちは43人のソフトウェアエンジニアと9つのワークショップを開催しました。そこでは、最先端のジェネレーティブAIモデルの実例を使って、ユーザの説明可能性のニーズを導き出しました。 我々の研究は、GenAIのコードに対する説明可能性の必要性を探求し、新しいドメインにおけるXAIの技術開発を人間中心のアプローチがいかに促進するかを実証する。
  論文  参考訳（メタデータ） (2022-02-10T08:52:39Z)

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。