論文の概要: Towards Actionable Visualization: Ten Years Later, What Generative AI Changes and What It Cannot
- arxiv url: http://arxiv.org/abs/2608.22151v1
- Date: Sun, 23 Aug 2026 00:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.950184
- Title: Towards Actionable Visualization: Ten Years Later, What Generative AI Changes and What It Cannot
- Title（参考訳）: アクション可能な可視化に向けて:10年後、生成するAIの変化とそれができないこと
- Abstract要約: 10年前、私たちはソフトウェアビジュアライゼーションの研究を、採用の課題は開発者のニーズとテクニックを一致させることであると仮定して調査しました。
AIは需要の可視化をゼロにすることで、その仮定を時代遅れにしたのではないか、と私たちは主張する。
私たちは、AI生成可視化自体の信頼性から、自分たちの地形でマシンと競合する誘惑まで、続くリスクに直面します。
- 参考スコア（独自算出の注目度）: 2.171848826907517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ten years ago, we surveyed software visualization research under the assumption that the challenge for adoption was matching developers' needs with techniques. Generative AI might have made that assumption obsolete by driving the cost of producing a visualization on demand toward zero. We argue that this mirrors a broader inversion already underway in software engineering: as AI devalues the production of artifacts, it elevates the human work of perceiving and directing them. Looking back at our 2016 research, we found that domains we flagged as neglected, such as rationale, are exactly the ones AI now makes tractable, and a tool-sustainability problem we diagnosed then is one generative AI may worsen before it helps solve. One finding shifted outright: the share of studies delivered through immersive environments grew roughly fifteen-fold, though it remains a small minority of the field. We argue that future research should focus on helping people understand large and complex software systems, including the reasoning processes generated by AI agents alongside the code itself. Humans have always been accountable for what they trust, but AI may lead them to trust without enough scrutiny. We confront the risks that follow, from the reliability of AI-generated visualization itself to the temptation of competing with machines on their own terrain, and conclude that actionable visualization is no longer a distant destination but a standard the field can now meet.
- Abstract（参考訳）: 10年前、私たちはソフトウェアビジュアライゼーションの研究を、採用の課題は開発者のニーズとテクニックを一致させることであると仮定して調査しました。
ジェネレーティブAIは、需要の可視化をゼロにすることで、その仮定を時代遅れにしたかもしれない。
AIはアーティファクトの生産を非評価するので、それを認識し、指示する人間の作業を増加させます。
2016年の調査を振り返ると、私たちが無視した領域、例えば理論的根拠などを見れば、AIが引き寄せられるのはまさにそれであり、当時診断されたツール持続可能性の問題が、AIが解決する前に悪化する可能性があることが分かりました。
ひとつは、没入型環境を通した研究のシェアが15倍に成長したことだ。
将来の研究は、AIエージェントが生成する推論プロセスを含む、大規模で複雑なソフトウェアシステムの理解を支援することに焦点を当てるべきである、と私たちは主張する。
人間は信頼するものについて常に責任を負っていますが、AIは十分な精査なしに信頼を導きます。
AI生成の可視化自体の信頼性から、自分たちの地形でマシンと競合する誘惑に至るまで、私たちは続くリスクに直面し、アクション可能な可視化はもはや遠くの目的地ではなく、フィールドが満たされる標準だ、と結論付けています。
関連論文リスト
- Human Oversight and Overload: Two Hidden and Costly Burdens of AI-Assisted Software Engineering [0.6700873164609007]
AIはソフトウェアエンジニアの働き方を変えつつあるが、しばしば隠れた負担とコストが伴う。
本稿では, しばしば見過ごされる2つの負担を特徴付ける。
人間の監視の必要性はオプションではなく、エンジニアはAIが生み出すものをレビューし、検証し、時には再作業しなければならない。
同時に、AIの提案やプロンプト、可能なソリューションの洪水は、開発者を精神的に引き延ばす可能性がある。
論文 参考訳（メタデータ） (2026-06-04T06:53:45Z) - The Future of AI is Many, Not One [0.0]
私たちは、特異な超知能エージェントではなく、一緒に働くAIエージェントのグループからのブレークスルーを期待すべき理由を示しています。
多様なチームを持つことで、ソリューションの探索を拡大し、早期のコンセンサスを遅らせ、非従来的なアプローチの追求を可能にします。
私たちが論じているのは、トランスフォーメーション・トランスフォーマーベースのAIの未来は、基本的に多様であり、一つではないということだ。
論文 参考訳（メタデータ） (2026-03-30T23:31:38Z) - AI Researchers' Views on Automating AI R&D and Intelligence Explosions [7.10975129848806]
多くの先進的なAI研究者は、AI開発が過去のすべての技術革新の変革的影響を超えることを期待している。
私たちは、フロンティアAIラボとアカデミックの25の研究者にインタビューした。
論文 参考訳（メタデータ） (2026-02-13T23:24:05Z) - Evaluating Intelligence via Trial and Error [59.80426744891971]
本研究では,試行錯誤プロセスにおける失敗回数に基づいて知性を評価するためのフレームワークとして,Survival Gameを紹介した。
フェールカウントの期待と分散の両方が有限である場合、新しい課題に対するソリューションを一貫して見つける能力を示す。
我々の結果は、AIシステムは単純なタスクで自律レベルを達成するが、より複雑なタスクではまだまだ遠いことを示している。
論文 参考訳（メタデータ） (2025-02-26T05:59:45Z) - Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。
我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
論文 参考訳（メタデータ） (2025-02-21T18:45:37Z) - Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。
偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。
問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2023-04-16T11:22:59Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z) - Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。
これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
論文 参考訳（メタデータ） (2022-01-26T18:53:09Z) - Trustworthy AI: A Computational Perspective [54.80482955088197]
我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。
各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
論文 参考訳（メタデータ） (2021-07-12T14:21:46Z) - A clarification of misconceptions, myths and desired status of
artificial intelligence [0.0]
我々は,機械学習と統計学に関して,AIの望ましい現状と現状を考察する。
私たちの議論は、AIを取り巻く曖昧さのベールを解明して、その真の数量を見ることを目的としています。
論文 参考訳（メタデータ） (2020-08-03T17:22:53Z)
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。