論文の概要: Ontology-supported AI Model and Dataset Management

• arxiv url: http://arxiv.org/abs/2608.21224v1
• Date: Fri, 21 Aug 2026 15:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.623867
• Title: Ontology-supported AI Model and Dataset Management
• Title（参考訳）: オントロジー支援型AIモデルとデータセット管理
• Abstract要約: 本稿では,産業的文脈において意味的ギャップを伴わずに,AIモデルと関連する資産を効果的に交換・管理するために何が必要なのか,という疑問に答えることを目的とする。 我々は、AIモデルとデータセットの使用、交換、分析を容易にするAIモデル交換のためのプラットフォームを導入する。
• 参考スコア（独自算出の注目度）: 36.00952535075117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, there has been a great deal of research into improving AI methods and their application. The main focus is on tracking progress, enabling transparent comparisons, and fostering a more profound understanding of AI. In that process, different organizations generate and use plenty of assets that need to be tracked, traced and managed. Moreover, it is important to discover assets relevant for the task at hand. This paper presents research aiming to contribute to answering the question of what is required to exchange and manage AI models and related assets effectively without semantic gaps in an industrial context. We introduce a platform for AI model exchange, which facilitates the usage, exchange, and analysis of AI models and datasets. The platform incorporates an ontology that can foster a more profound common understanding of what is required in these tasks and help tackle the issues mentioned above. Finally, we elucidate the utility of the platform through the illustration of a use case in the context of real-time critical systems.
• Abstract（参考訳）: 近年,AI手法とその応用に関する研究が盛んに行われている。 主な焦点は、進捗を追跡し、透過的な比較を可能にし、AIのより深い理解を促進することである。 このプロセスでは、さまざまな組織が、追跡、追跡、管理を必要とする多くの資産を生成し、利用します。 また,その課題に関連する資産の発見も重要である。 本稿では,AIモデルと関連する資産を,産業的文脈において意味的ギャップを伴わずに効果的に交換・管理するために何が必要なのか,という問いに答えることを目的とした研究を提案する。 我々は、AIモデルとデータセットの使用、交換、分析を容易にするAIモデル交換のためのプラットフォームを導入する。 このプラットフォームにはオントロジーが含まれており、これらのタスクに何が必要なのかをよりよく理解し、上記の問題に取り組むのに役立つ。 最後に,実時間クリティカルシステムのコンテキストにおけるユースケースの図解を通じて,プラットフォームの有用性を解明する。

関連論文リスト

• Gypscie: A Cross-Platform AI Artifact Management System [0.6784745592354215]
  我々は,クロスプラットフォームAIアーティファクト管理システムであるGypscieを紹介する。 すべてのAIアーティファクトの統一ビューを提供することで、GypscieはAIアプリケーションの開発とデプロイを簡単にする。
  論文  参考訳（メタデータ） (2026-04-11T18:24:26Z)
• AI Exchange Platforms [1.143498094481099]
  人工知能の組織技術フレームワークへの迅速な統合は、組織がAI駆動モデルに関わる方法を変えました。 AIモデル交換のための構造化プラットフォームの重要性は、組織的有効性と適応性において最重要になっている。 本稿では,急速に成長するAIモデル交換領域における技術,ビジネスモデル,ユーザエンゲージメントの動的相互作用を理解するための重要なリソースとして機能する。
  論文  参考訳（メタデータ） (2025-10-07T19:19:25Z)
• Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
  データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。 この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-22T12:59:12Z)
• Are Large Language Models Ready for Business Integration? A Study on Generative AI Adoption [0.6144680854063939]
  本研究では,Google Geminiのような他の大規模言語モデル(LLM)のビジネスアプリケーションへの適用性について検討する。 ディズニーランドの異なる支店からの42,654件のレビューデータセットが採用された。 その結果、75%の成功率、25%のエラー、モデル自己参照の事例など、反応のスペクトルが示された。
  論文  参考訳（メタデータ） (2025-01-28T21:01:22Z)
• AI-in-the-loop: The future of biomedical visual analytics applications in the era of AI [3.0942901747200975]
  データ分析におけるAIの大規模開発は、将来のデータ視覚化とビジュアル分析をどう形成するか? ますます強力なAIの文脈における機会、オープンな課題、脅威とは何か? 我々は、バイオメディカルビジュアライゼーションを研究分野として変革するAIの可能性を強調した。
  論文  参考訳（メタデータ） (2024-12-20T13:27:24Z)
• Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
  大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。 しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。 本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:14:34Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Position Paper: Agent AI Towards a Holistic Intelligence [53.35971598180146]
  エージェントAI - 大きな基盤モデルをエージェントアクションに統合する具体的システム。 本稿では,エージェント・ファウンデーション・モデル(エージェント・ファウンデーション・モデル)を提案する。
  論文  参考訳（メタデータ） (2024-02-28T16:09:56Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)

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。