論文の概要: Which Buildings Are Artificial Intelligence-Ready? A Measurement-Based Assessment Framework for AI Question Answering and Actuation

• arxiv url: http://arxiv.org/abs/2610.09119v1
• Date: Tue, 06 Oct 2026 21:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.60792
• Title: Which Buildings Are Artificial Intelligence-Ready? A Measurement-Based Assessment Framework for AI Question Answering and Actuation
• Title（参考訳）: 人工知能はどんな建物か?AIによる質問応答とアクティベーションのための測定ベースアセスメントフレームワーク
• Abstract要約: エージェント人工知能システムは、建物へのインタフェースとなり、質問に答え、操作を制御する。 本研究は,建物への準備を定量化する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic artificial intelligence (AI) systems are becoming the interface to buildings, answering questions and controlling operations, but a building's readiness for them has not been systematically assessed. This study proposes a framework to quantify it. First, a building's knowledge graph sets two ceilings. The answerable-readiness ceiling is the share of operational questions its data could answer, and the actuation-readiness ceiling is the share of control actions it exposes. Second, a reference AI agent's accuracy on a fixed set of these questions shows how much of the ceilings is realized. On a simulated office, the agent realizes 0.62 of a 0.64 answerable ceiling, so missing data, not the AI, limit readiness, except in naming a fault's cause. Across 37 public real-building graphs, the median answerable ceiling is 0.16, and in 15 of 45, unlinked sensors lower it. The framework turns "is this building AI-ready?" into an auditable, ranked retrofit question.
• Abstract（参考訳）: エージェント人工知能(AI)システムは,質問への回答や操作の制御など,建物のインターフェースになりつつあるが,その対応性は体系的に評価されていない。 本研究では,それを定量化する枠組みを提案する。 まず、建物の知識グラフが2つの天井を設定します。 答え可能な可読性天井は、データが答えられる可能性のある運用上の質問のシェアであり、アクティベーション可読性天井は、公開するコントロールアクションのシェアである。 第2に、これらの質問の固定セットにおける参照AIエージェントの精度は、天井がどの程度実現されているかを示す。 シミュレーションされたオフィスでは、エージェントは0.64の応答可能な天井の0.62を実現している。 37のパブリックなリアルビルディンググラフのうち、中央の応答可能な天井は0.16で、45の15のセンサーはリンクされていない。 このフレームワークは、"この構築はAI対応ですか?

関連論文リスト

• Do AI Agents Understand Computer Architecture? [0.3176327333793051]
  オートチューリングは同じエージェントを同じ15次元の加速器空間で2回操作する。 2つの間のギャップは測定値です。 批評家のループは、盲目のエージェントのギャップの大部分を回復し、アーキテクトに何も買わない。
  論文  参考訳（メタデータ） (2026-09-16T20:10:28Z)
• Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
  Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。 まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。 第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
  論文  参考訳（メタデータ） (2026-08-11T18:48:40Z)
• Knowledge Dependency Estimation for Reliable Question Answering [11.800158247203312]
  我々はemphknowledge依存性の推定について研究する 構造化されたランク認識型知識依存度推定器である textbfKnot を提案する。
  論文  参考訳（メタデータ） (2026-05-27T06:48:57Z)
• AIBuildAI-2: A Knowledge-Enhanced Agent for Automatically Building AI Models [31.05147308924019]
  AIモデルは、画像やテキスト処理から生物学、物理学、化学における科学的発見まで、データ中心の応用を基盤としている。 しかし、それらの開発は依然として非常に手作業で行われており、実践者はアーキテクチャを設計し、トレーニングパイプラインを構築し、反復的にソリューションを洗練する必要がある。 本稿では,AIモデルを自動的に構築する外部進化型知識システムを備えた知識強化エージェントであるAIBuildAI-2を紹介する。
  論文  参考訳（メタデータ） (2026-05-27T02:44:13Z)
• To Copilot and Beyond: 22 AI Systems Developers Want Built [8.021702941771972]
  860人のMicrosoft開発者を対象に調査を行い、AIサポートを希望する場所と、そこに留まることを希望する場所を調べた。 開発者が5つのタスクカテゴリにまたがって構築したい、22のAIシステムを特定します。 それぞれについて、それが解決する問題、構築が難しい理由、開発者がその振る舞いに課す制約について説明する。
  論文  参考訳（メタデータ） (2026-04-09T05:31:34Z)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)
• An Operational Kardashev-Style Scale for Autonomous AI - Towards AGI and Superintelligence [0.0]
  我々は,Kardashevにインスパイアされたものの,自律型AI(AAI)尺度を提案する。 固定されたロボットプロセス自動化(AAI-0)から完全な人工知能(AAI-4)に至るまでの進捗を計測する。 AAI-インデクスによって集約された10つの能力軸(自律性、一般性、計画、記憶/永続性、ツール経済、自己改革、社会性/コーディネーション、身体的、世界モデル忠実性、経済的アウトプット)を定義する。
  論文  参考訳（メタデータ） (2025-11-17T14:24:27Z)
• Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
  TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。 TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。 We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
  論文  参考訳（メタデータ） (2025-10-06T05:03:57Z)
• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)
• R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
  大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。 事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。 我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。 実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
  論文  参考訳（メタデータ） (2023-11-16T08:45:44Z)

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。