論文の概要: Joint Optimization of Human Headcount and Stochastic AI Resource Capacity
- arxiv url: http://arxiv.org/abs/2608.00886v1
- Date: Sat, 01 Aug 2026 22:34:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.980258
- Title: Joint Optimization of Human Headcount and Stochastic AI Resource Capacity
- Title（参考訳）: ヒトの頭数と確率的AI資源容量の併用最適化
- Abstract要約: 組織のリーダーシップは、人頭と生成AIトークンの能力に一定の予算を割らなければならない。
標準的な決定論的計画では、トークン消費の厳密な変動性と、AI生成出力を監査する認知的コストの両方を無視している。
個々のトークンのボラティリティの上昇は、ヘッダーを縮小しながら、一人当たりのトークンの強度を最適なものにすることを示す。
- 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: Generative AI tools are rapidly becoming standard for coding and other business operations. However, while these tools can drive productivity, their unpredictable, and often significant, costs are putting severe financial strain on organizations. The leadership of such organizations must split a fixed budget between human headcount and generative-AI token capacity, yet standard deterministic planning ignores both the heavy-tailed volatility of token consumption and the cognitive cost of auditing AI-generated output. We model the joint allocation by intersecting a cognitive-friction-adjusted production function with a chance-constrained stochastic budget frontier. Per-engineer token usage is treated as i.i.d., non-negative, and right-skewed; no parametric family is assumed, as only its mean, variance, and skewness enter the analysis. The chance constraint is reduced to a deterministic equivalent via the Central Limit Theorem with a Cornish--Fisher skewness correction. Solving the resulting Lagrangian yields a closed-form optimal headcount, a transcendental condition for optimal per-capita token intensity, and a bordered-Hessian second-order condition that holds for any reasonable volatility-to-headcount ratio. Comparative statics show that rising individual token volatility raises optimal per-capita token intensity while contracting headcount: although human labor and tokens are complements in production, the stochastic budget makes them substitutes at the margin. Individual usage skewness acts as a pure deadweight tax that shrinks the budget without altering the substitution dynamics. Both conclusions presuppose that usage dispersion is invariant to the planned mean allocation. In the case where dispersion instead scales proportionally with the mean, the substitution reverses, so which regime applies is a sharp, empirically testable question.
- Abstract（参考訳）: 生成AIツールは、コーディングやその他のビジネスオペレーションの標準になりつつある。
しかし、これらのツールは生産性を高めることができるが、予測不可能で、しばしば重要なコストは、組織に深刻な財政的負担を与えている。
このような組織のリーダーシップは、人頭と生成AIトークンの容量に一定の予算を割らなければならないが、標準的な決定論的計画では、トークン消費の重大な変動性と、AI生成したアウトプットを監査する認知的コストの両方を無視している。
確率制約付き確率的予算フロンティアと認知摩擦調整生産関数を交差させることにより、共同割り当てをモデル化する。
エンジニア当たりのトークンの使用は、すなわち、非負、右のスクイドとして扱われるが、平均、分散、歪みのみが分析に入るとパラメトリックな家族は想定されない。
確率制約は、Central Limit Theoremを介してCornish-Fisherスキューネス補正によって決定論的等価度に縮小される。
結果のラグランジアンを解くと、閉じた形の最適な頭数、最適な一人当たりのトークン強度の超越条件、合理的なボラティリティ対頭数比を保った境界付きヘッセン二階条件が得られる。
比較スタティックスは、一人当たりのトークンのボラティリティの上昇が、一人当たりのトークンの強度を最適に引き上げる一方で、人的労働とトークンは生産において補完するが、確率的な予算は彼らの利益を補うことを示している。
個人利用の難易度は、置換のダイナミクスを変えることなく予算を縮小する純粋な減税として機能する。
どちらの結論も、使用量の分散は計画された平均割り当てに不変であると仮定する。
代わりに分散が平均と比例してスケールする場合、置換は逆転し、どの規則を適用するかは鋭く経験的に検証可能な問題である。
関連論文リスト
- Distribution-Aware Robust Bilevel Optimization: Quantile-Guided Huber Updates in Two-Timescale Stochastic Approximation [16.106678611834102]
双レベル最適化(BLO)は階層的な決定には基本的だが、重み付き雑音下での臨界不安定性に悩まされている。
既存の技術は通常、等級チェックに依存しており、情報的幾何学的信号と外れ値の区別に失敗する。
論文 参考訳（メタデータ） (2026-06-21T10:57:37Z) - DCP-Prune: Ultra-Low Token Pruning with Distribution Consistency Preservation [55.38884985761757]
最近のビジョントークンプルーニング法は、中程度のトークン予算ではモデル性能を効果的に維持するが、超低トークン予算では不安定になる。
Anchor-Context Graph Recovery (ACGR) と Text-Aware Token Cluster Selection (TATCS) からなる2段階のプルーニングフレームワークを提案する。
超低トークン予算下で,本手法がより優れた,より安定した性能を実現することを示す実験を行った。
論文 参考訳（メタデータ） (2026-06-15T12:24:07Z) - Reasoning Is Not Free: Robust Adaptive Cost-Efficient Routing for LLM-as-a-Judge [4.511996087821266]
Reasoning-capable large language model (LLM) は、最近自動判断器として採用されている。
本研究では,明示的推論により,構造化された検証を必要とするタスクの判断精度が大幅に向上することを示す。
本稿では、推論と非推論の判断を選択可能なロバスト適応コスト効率ルーティング(RACER)を提案する。
論文 参考訳（メタデータ） (2026-05-11T16:30:20Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。
我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。
我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
論文 参考訳（メタデータ） (2026-02-03T18:17:22Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。
ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
論文 参考訳（メタデータ） (2025-12-01T09:44:31Z) - e1: Learning Adaptive Control of Reasoning Effort [88.51897900019485]
AIモデルの思考予算の増大は、精度を大幅に向上させるが、すべての質問が同じ量の推論を保証しているわけではない。
ユーザは、アウトプットの品質を、レイテンシやコストに対してどのように評価するかによって、さまざまな理由付けの労力を割り当てる傾向があります。
本稿では,ユーザが指定したトークン数を用いてモデルを学習する自己適応型強化学習手法であるAdaptive Effort Controlを提案する。
論文 参考訳（メタデータ） (2025-10-30T23:12:21Z) - Additive Distributionally Robust Ranking and Selection [0.8283940114367679]
そこで本研究では,$k + m - 1$の事前仮説クリティカルシナリオのみをサンプリングすることを目的とした,単純な加算割当(AA)手順を提案する。
AAが一貫したものであり、驚くべきことに、最も強い意味で付加性を達成することを証明します。
結果は、DRR&Sの加法構造に対する新しい、そして反直観的な洞察を与える。
論文 参考訳（メタデータ） (2025-09-07T17:36:29Z) - Scalable Chain of Thoughts via Elastic Reasoning [61.75753924952059]
Elastic Reasoningは、スケーラブルな思考の連鎖のための新しいフレームワークである。
推論は、独立して割り当てられた予算で、思考と解決の2つのフェーズに分けられる。
我々のアプローチは、制約のない設定でもより簡潔で効率的な推論をもたらす。
論文 参考訳（メタデータ） (2025-05-08T15:01:06Z) - A Deep Generative Learning Approach for Two-stage Adaptive Robust Optimization [3.124884279860061]
本稿では,2段階適応型ロバスト最適化のための逆生成を行う解アルゴリズムAGROを紹介する。
AGROは、同時に敵対的かつ現実的な高次元の一致を生成する。
我々は、AGROが標準的なカラム・アンド・制約アルゴリズムを最大1.8%のプロダクション・ディストリビューション計画、最大11.6%の電力系統拡張で上回っていることを示す。
論文 参考訳（メタデータ） (2024-09-05T17:42:19Z) - Quantization for decentralized learning under subspace constraints [61.59416703323886]
エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。
本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。
この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
論文 参考訳（メタデータ） (2022-09-16T09:38:38Z)
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。