論文の概要: Reviving our data foundations is the most disruptive step to data maturity
- arxiv url: http://arxiv.org/abs/2608.29368v1
- Date: Sat, 29 Aug 2026 17:01:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.94474
- Title: Reviving our data foundations is the most disruptive step to data maturity
- Title（参考訳）: データ基盤の復活は、データ成熟の最も破壊的なステップである
- Abstract要約: 我々は、どのようにして証拠が意思決定者に何を伝えるかを再考し、低インパクトなデータ戦略を提案するかについて議論する。
AIを駆使した企業のデータ戦略において、知識グラフ技術はますます交渉不能になる、と強く信じています。
- 参考スコア（独自算出の注目度）: 0.1375062426766416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The most disruptive step that enterprises of small-medium size and maturity can take to make the most of the latest technological advances in AI is to step back from the hype and focus on establishing or reviving a good knowledge foundation layer. It is a hard message to present to the executive team; therefore, it needs to be backed by evidence, and its implementation needs to be of minimal impact on the existing processes. In this vision statement, we discuss how we need to rethink what evidence speaks to the decision-makers and propose a low-impact data strategy that adapts to the existing and ever-changing data flows and processes across the company. We firmly believe that knowledge graph techniques will increasingly become non-negotiable in the data strategy of an AI-powered enterprise, provided that we approach their design in a modular, dynamic and cross-functional way.
- Abstract（参考訳）: AIの最新の技術進歩を最大限に活用するために、小規模で成熟した企業にとって最も破壊的なステップは、誇大広告から脱却し、優れた知識基盤層を確立または復活させることだ。
これはエグゼクティブチームに提示するのは難しいメッセージです。従って、エビデンスによって裏付けられる必要があり、その実装は既存のプロセスに最小限の影響を与える必要があります。
このビジョンステートメントでは、エビデンスがどのように意思決定者に語られるのかを再考し、企業全体の既存の、絶えず変化するデータフローやプロセスに適応する、低インパクトなデータ戦略を提案します。
AIを駆使した企業のデータ戦略において、知識グラフのテクニックがますます交渉不能になり、モジュール化された動的かつクロスファンクショナルな方法でその設計にアプローチするようになると強く信じています。
関連論文リスト
- A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。
また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。
この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
論文 参考訳（メタデータ） (2026-07-10T04:02:22Z) - Data Science and Technology Towards AGI Part I: Tiered Data Management [53.64581824953229]
我々は、人工知能の開発がデータモデル共進化の新しい段階に入ったと論じる。
我々は、未処理のリソースから組織的で検証可能な知識まで、L0-L4階層のデータ管理フレームワークを紹介します。
提案手法の有効性を実証研究により検証する。
論文 参考訳（メタデータ） (2026-02-09T18:47:51Z) - Large Language Models for Supply Chain Decisions [12.603193995123604]
サプライチェーン管理には、さまざまな複雑な意思決定課題に対処する必要がある。
データサイエンスチームと技術提供者は、結果を説明したり、技術に必要な変更を加える必要がある。
近年のLarge Language Models (LLMs) の進展に触発されて, この破壊的技術がサプライチェーン技術を民主化する方法について報告する。
論文 参考訳（メタデータ） (2025-07-29T04:50:27Z) - Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。
当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
論文 参考訳（メタデータ） (2025-07-03T02:45:51Z) - Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。
データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。
我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
論文 参考訳（メタデータ） (2025-05-25T13:51:17Z) - The Impact of Modern AI in Metadata Management [11.734679079886131]
メタデータは、データガバナンス、リソース発見、データ駆動時代における意思決定において重要な役割を担います。
本稿では、オープンソースソリューション、商用ツール、研究イニシアチブを調べることによって、従来型およびAI駆動のメタデータアプローチについて検討する。
従来のAI駆動メタデータ管理手法の比較分析が提供され、既存の課題と、その次世代データセットへの影響を強調している。
また,これらの課題に対処するために設計された,革新的なAI支援メタデータ管理フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-28T00:44:38Z) - Collaborative Evolving Strategy for Automatic Data-Centric Development [17.962373755266068]
本稿では,自動データ中心開発(AD2)タスクを紹介する。
ドメインエキスパートのようなタスクスケジューリングと実装能力を必要とする、その中核的な課題を概説している。
本稿では,Retrieval による協調的知恵強化進化という戦略を取り入れた自律エージェントを提案する。
論文 参考訳（メタデータ） (2024-07-26T12:16:47Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-22T22:15:17Z) - Towards Avoiding the Data Mess: Industry Insights from Data Mesh Implementations [1.5029560229270191]
Data Meshは、企業データ管理のための、社会技術的、分散化されたコンセプトである。
業界の専門家との15の半構造化インタビューを行います。
本研究は,業界の専門家による知見を総合し,データメッシュの採用を成功させるための予備的ガイドラインを研究者や専門家に提供する。
論文 参考訳（メタデータ） (2023-02-03T13:09:57Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳（メタデータ） (2021-11-16T18:42:50Z)
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。