論文の概要: Trustworthy Data- and ML-Ops for Intelligent Transportation Systems and Logistics

• arxiv url: http://arxiv.org/abs/2610.01282v1
• Date: Thu, 01 Oct 2026 08:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.997578
• Title: Trustworthy Data- and ML-Ops for Intelligent Transportation Systems and Logistics
• Title（参考訳）: インテリジェントトランスポートシステムとロジスティックスのための信頼できるデータとML-Ops
• Abstract要約: ITS&Lは、データ、人工知能(AI)、より具体的には機械学習(ML)の統合に大きく依存して、現代社会経済の基盤となっている。 本稿では,Trustworthy Data and Machine Learning Operations (DataOps and MLOps)をITS&Lドメインで包括的にレビューする。
• 参考スコア（独自算出の注目度）: 39.97526527824749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of Intelligent Transportation Systems and Logistics (ITS\&L) has become a cornerstone of the modern social economy, relying heavily on the integration of Data, Artificial Intelligence (AI), and, more specifically, Machine Learning (ML). This paper provides a comprehensive review of Trustworthy Data and Machine Learning Operations (DataOps and MLOps) in the ITS\&L domain, underscoring their importance in improving efficiency, reliability, and decision-making precision within transportation and logistics services. We begin by identifying gaps in current literature, offering clear context for our contribution. Subsequently, we explore the complexities of DataOps and MLOps, discussing their necessity, key components, available tools, practical insights, and case studies relevant to ITS\&L. Additionally, we address the critical issue of Trustworthiness in AI applications, examining methods and tools designed to strengthen confidence in AI systems - especially in real-world ITS\&L scenarios. The paper concludes with a discussion of persisting challenges and future prospects in this rapidly advancing field, aiming to serve as a vital resource for researchers, industry practitioners, and policy makers. Overall, this work not only establishes a foundational understanding of DataOps and MLOps in ITS\&L but also charts a path for further research and innovation in developing more efficient, sustainable, and trustworthy intelligent transportation and logistics systems.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステムとロジスティックス(ITS\&L)の急速な進化は、データ、人工知能(AI)、より具体的には機械学習(ML)の統合に大きく依存して、現代社会経済の基盤となっている。 本稿では,Trustworthy Data and Machine Learning Operations (DataOps and MLOps) の総合的なレビューを行い,輸送・ロジスティクスサービスにおける効率性,信頼性,意思決定精度の向上の重要性を論じる。 私たちはまず、現在の文学におけるギャップを特定し、コントリビューションに明確なコンテキストを提供することから始めます。 次に、DataOpsとMLOpsの複雑さを調査し、その必要性、重要なコンポーネント、利用可能なツール、実践的な洞察、そしてITS\&Lに関連するケーススタディについて議論する。 さらに、AIアプリケーションにおける信頼性の重要な問題、特に現実世界のITS\&Lシナリオにおいて、AIシステムの信頼性を強化するように設計された方法やツールを調べます。 本稿は, 研究者, 産業従事者, 政策立案者にとって重要な資源となることを目的とした, この急速に進歩する分野における課題と今後の展望について, 議論を締めくくっている。 全体として、この研究は、データOpsとMLOpsの基本的な理解をITS\&Lで確立するだけでなく、より効率的で持続可能な、信頼できるインテリジェントトランスポートおよびロジスティクスシステムを開発するための、さらなる研究とイノベーションの道筋も示している。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• "X of Information'' Continuum: A Survey on AI-Driven Multi-dimensional Metrics for Next-Generation Networked Systems [13.897670100495274]
  時間的・品質・実用性・信頼性・ロバスト性・ネットワーク・コミュニケーションの次元に沿って情報メトリクスを構造化する体系的な4次元分類体系を導入する。 分析の結果、深層強化学習、マルチエージェントシステム、ニューラル最適化モデルといった人工知能技術が、競合する情報品質の目的を適応的かつコンテキスト対応で最適化できることがわかった。
  論文  参考訳（メタデータ） (2025-07-25T20:03:38Z)
• Integrating LLMs with ITS: Recent Advances, Potentials, Challenges, and Future Directions [1.6121249557846946]
  本稿では,Large Language Models (LLMs) のITS最適化における変換可能性について概説する。 我々の分析は、これらの高度なモデルが交通管理と安全性を大幅に向上させる方法を明らかにしている。 本稿は,PLMをITSに統合する複雑性と機会を通じて,研究者や実践者を支援することを目的とする。
  論文  参考訳（メタデータ） (2025-01-08T11:37:35Z)
• Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Unveiling AI's Potential Through Tools, Techniques, and Applications [17.624263707781655]
  人工知能(AI)、機械学習、ディープラーニングは、ビッグデータ分析と管理において変革の力となっている。 この記事では、これらの分野における基礎概念と最先端の展開について論じる。 理論的基盤を実行可能な戦略でブリッジすることで、ビッグデータ管理に革命をもたらすAIとLLMの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-02T06:24:51Z)
• Multi-Agent Reinforcement Learning for Autonomous Driving: A Survey [14.73689900685646]
  強化学習(Reinforcement Learning, RL)は、シーケンシャルな意思決定のための強力なツールであり、人間の能力を超えるパフォーマンスを達成した。 マルチエージェントシステム領域におけるRLの拡張として、マルチエージェントRL(MARL)は制御ポリシーを学ぶだけでなく、環境内の他のすべてのエージェントとの相互作用についても考慮する必要がある。 シミュレーターは、RLの基本である現実的なデータを得るのに不可欠である。
  論文  参考訳（メタデータ） (2024-08-19T03:31:20Z)
• Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems [62.252355444948904]
  本稿では,エッジインテリジェンス(EI)と社会学習(SL)の統合に関する文献レビューの結果について述べる。 SLは、エージェントの協調能力と集団知性を増幅することを目的とした、社会的原則と行動に基づく学習パラダイムである。 ソーシャル化アーキテクチャ、ソーシャル化トレーニング、ソーシャル化推論の3つの統合コンポーネントについて詳しく検討し、その強みと弱点を分析した。
  論文  参考訳（メタデータ） (2024-04-20T11:07:29Z)

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。