論文の概要: AI-GRACE: A Use-Case Operationalization Framework for Agentic AI: From Organizational Objectives and Obligations to Deployment Capabilities and Architecture
- arxiv url: http://arxiv.org/abs/2609.21192v1
- Date: Fri, 18 Sep 2026 01:17:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.809608
- Title: AI-GRACE: A Use-Case Operationalization Framework for Agentic AI: From Organizational Objectives and Obligations to Deployment Capabilities and Architecture
- Title（参考訳）: AI-GRACE:エージェントAIのためのユースケース運用フレームワーク
- Abstract要約: 本稿では,組織ガバナンスと技術的実装を結びつけるユースケース運用フレームワークとして,AI-GRACEを提案する。
この枠組みは、ミッションと価値の実現を含む7つの提案された領域における目標と義務を確立し、リスクを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Organizations deploying agentic artificial intelligence must determine more than whether a model is trustworthy; they must establish what to validate, control, and observe for a use case to deliver its intended outcome while meeting applicable obligations. This paper proposes AI-GRACE (Agentic Intelligence-Governance, Risk, Assurance, Controls, and Evidence) as a use-case operationalization framework connecting organizational governance with technical implementation. The proposal draws on professional observations and a purposive synthesis of standards and literature, using design science to frame the method contribution and situational method engineering to guide contextual tailoring and reuse. The framework establishes objectives and obligations and then assesses risks in seven proposed domains, including mission and value realization. It derives requirements for assurance before deployment, runtime controls, and evidence, which guide capability qualification, gap assessment, and a logical architecture. An Agent Operating Envelope specifies permitted actions and escalation conditions, while Risk-Aligned Independence Levels (RAIL) summarize the authorized independence. A fictional retail banking application illustrates the method. The contribution is a traceable basis for deciding what an organization must implement, what it already supports, and what remains unresolved. Empirical evaluation must establish whether it improves deployment decisions, efficiency, and reuse.
- Abstract（参考訳）: エージェント人工知能をデプロイする組織は、モデルが信頼できるかどうか以上の決定をしなければならない。
本稿では,AI-GRACE(Agentic Intelligence-Governance, Risk, Assurance, Controls, Evidence)を,組織ガバナンスと技術的実装を結びつけるユースケース運用フレームワークとして提案する。
この提案は、専門的な観察と標準と文献のパーポーブな合成に基づいており、設計科学を用いて手法の貢献と状況的手法工学を枠組み化し、文脈的調整と再利用を導く。
このフレームワークは目的と義務を確立し、ミッションや価値の実現を含む7つの提案された領域におけるリスクを評価する。
デプロイメント前の保証、ランタイムコントロール、エビデンスといった要件を導き、能力評価、ギャップアセスメント、論理アーキテクチャをガイドします。
エージェント・オペレーティング・エンベロープは許可された行動とエスカレーション条件を特定し、リスク調整独立レベル(RAIL)は承認された独立を要約する。
架空のリテールバンキングアプリケーションがその方法を例示します。
このコントリビューションは、組織が実装すべきもの、すでにサポートしているもの、未解決のものを決定するための、トレース可能なベースになります。
経験的評価は、デプロイメントの判断、効率性、再利用性を改善するかどうかを確立する必要がある。
関連論文リスト
- Towards Trustworthy Embodied Intelligence: A Systems Framework and Graded Trustworthiness Levels [53.63220028820581]
身体的知性は、学習した知覚と意思決定をリアルタイムの計算、制御、物理的相互作用と統合する。
我々は,信頼に値するインテリジェンスを,特定のタスクを確実に実行するための持続能力として定義する。
論文 参考訳（メタデータ） (2026-07-28T17:50:44Z) - Position: agentic AI orchestration should be Bayes-consistent [92.04373485710285]
本稿では,エージェントシステムのオーケストレーションレベルにおいて,一貫性のある意思決定にはベイズ原理が必要であることを論じる。
信念とユーティリティ対応ポリシーがエージェントAIオーケストレーションをどのように改善するかを説明するための例とデザインパターンを提供する。
論文 参考訳（メタデータ） (2026-05-01T15:43:43Z) - Beyond Task Success: An Evidence-Synthesis Framework for Evaluating, Governing, and Orchestrating Agentic AI [0.0]
本稿では,手動符号化コーパスにおける有界なエビデンス合成に寄与する。
本稿では,(1)評価,ガバナンス,オーケストレーション,保証にまたがる4層フレームワーク,(2)可観測性,決定性,タイムライン,検証性に基づくODTA実行時配置テスト,(3)状態変更動作のための最小アクション検証バンドル,の3つの関連アーティファクトを紹介する。
論文 参考訳（メタデータ） (2026-04-18T20:28:26Z) - When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。
エージェントはいつ、いつ、いつ行動すべきか?
本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
論文 参考訳（メタデータ） (2026-03-17T15:38:50Z) - Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents [0.0]
大きな言語モデル(LLM)は、自律的なエージェントへと進化していますが、現在の"フレームワークレス"な開発は、あいまいな自然言語に基づいています。
本研究では,内部モデルインテリジェンスからエージェントと環境間の構造的相互作用に焦点を移すシステム工学フレームワークであるエージェント問題フレーム(APF)を提案する。
論文 参考訳（メタデータ） (2026-02-22T06:32:32Z) - Responsible AI in Business [0.8213113085481418]
責任あるAIを、法的に準拠し、理解可能で、持続可能で、データ支配的な方法で、AIシステムを導入し、運用する中心となる4つの領域に沿って構築する。
まず、EU AI Actを、プロバイダとデプロイロールの区別を含むリスクベースの規制フレームワークとして論じる。
第二に、説明可能なAIを透明性と信頼の基礎として扱い、透明性、解釈可能性、説明可能性といった重要な概念を明確にする。
第3に、Green AIをカバーし、AIシステムはパフォーマンスだけでなく、エネルギーとリソース消費によって評価されるべきである、と強調している。
論文 参考訳（メタデータ） (2026-01-31T08:24:20Z) - Reasoning Is All You Need for Urban Planning AI [3.3943213418026126]
本稿では,推論可能な計画エージェントのためのエージェント都市計画AIフレームワークを提案する。
パーセプション(Perception)、ファンデーション(Foundation)、推論(Reasoning)という3つの認知レイヤを、マルチエージェントコラボレーションフレームワークを通じて6つのロジックコンポーネント(分析、生成、検証、評価、コラボレーション、決定)と統合する。
我々は、AIエージェントが、ソリューション空間を体系的に探索し、規制コンプライアンスを検証し、トレードオフを透過的に検討することで、ヒューマンプランナーを強化する方法を示す。
論文 参考訳（メタデータ） (2025-11-07T15:59:06Z) - Explainable AI Systems Must Be Contestable: Here's How to Make It Happen [2.5875936082584623]
本稿では、説明可能なAIにおける競合性の最初の厳密な形式的定義について述べる。
我々は、ヒューマン中心のインターフェース、技術プロセス、組織アーキテクチャにまたがる、設計やポストホックメカニズムのモジュール化されたフレームワークを紹介します。
私たちの作業は実践者に、真のリコースと説明責任をAIシステムに組み込むためのツールを提供しています。
論文 参考訳（メタデータ） (2025-06-02T13:32:05Z) - Toward a Theory of Agents as Tool-Use Decision-Makers [89.26889709510242]
真の自律性は、エージェントが、彼らが知っていること、必要なこと、そしてその知識を効率的に獲得する方法を統治する、一貫性のある疫学の枠組みに根ざす必要がある、と我々は主張する。
本研究では,内的推論と外的行動を等価な疫学ツールとして扱う統一理論を提案し,エージェントが内観と相互作用を体系的に調整することを可能にする。
この視点は、エージェントの設計を単なるアクションエグゼクタから知識駆動インテリジェンスシステムにシフトさせ、適応的で効率的でゴール指向の行動が可能な基礎エージェントを構築するための原則化された道筋を提供する。
論文 参考訳（メタデータ） (2025-06-01T07:52:16Z)
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。