論文の概要: PRAISE: A Reproducible Workflow for Non-Programmer Scientists to Implement Published AI Models

• arxiv url: http://arxiv.org/abs/2610.16980v1
• Date: Mon, 12 Oct 2026 15:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.399682
• Title: PRAISE: A Reproducible Workflow for Non-Programmer Scientists to Implement Published AI Models
• Title（参考訳）: PRAISE: 公開AIモデルを実装する非プログラマ科学者のための再現可能なワークフロー
• Abstract要約: 既存のガイドラインは単一のステップをカバーするが、公開モデルから自身のデータに対する動作予測へのルートではない。 本稿では,科学技術教育のための実践的で再現可能なAIモデル実装である,ハンズオンワークフローPRAISEを紹介する。 原理の証明として、3人のBSc化学生とその家庭教師が事前プログラミングやデータサイエンスの知識を使わずにPRAISEを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) models are increasingly developed, published and used across scientific fields. Researchers, students and industry professionals who want to apply these models to their own research questions often lack the programming and data science expertise to do so. Existing guidelines cover single steps, but not the route from a published model to working predictions on one's own data. Here we present the hands-on workflow PRAISE, a Practical, Reproducible AI-model Implementation for Science and Education, that helps non-programmers implement published AI models step by step. Because implementations rarely work the first time, PRAISE anticipates common failures and provides a fallback route for each. As a proof of principle, three BSc chemistry students and their tutor applied PRAISE without prior programming or data science knowledge. They reproduced, validated and extended a state-of-the-art model that predicts enzyme-substrate interactions. This shows that with PRAISE, implementing an AI model from the literature becomes a learnable skill, one that turns non-programmer scientists from users into evaluators and improvers of AI models.
• Abstract（参考訳）: 人工知能(AI)モデルは、科学分野にまたがって開発され、出版され、使用されている。 研究者、学生、業界の専門家は、これらのモデルを自身の研究課題に適用したいと考えるが、プログラミングやデータサイエンスの専門知識が欠けていることが多い。 既存のガイドラインは単一のステップをカバーするが、公開モデルから自身のデータに対する動作予測へのルートではない。 ここでは、実践的で再現可能な科学と教育のためのAIモデル実装である、ハンズオンワークフローPRAISEを紹介します。 実装が最初に動くことはめったにないため、PRAISEは共通の失敗を予想し、それぞれにフォールバックルートを提供する。 原理の証明として、3人のBSc化学生とその家庭教師が事前プログラミングやデータサイエンスの知識を使わずにPRAISEを適用した。 彼らは酵素と基質の相互作用を予測する最先端のモデルを再現し、検証し、拡張した。 PRAISEでは、文献からAIモデルを実装することが学習可能なスキルとなり、非プログラマの科学者をユーザからAIモデルの評価者と改善者へと変えます。

関連論文リスト

• Learnware and AI Model Management System [60.917028769172795]
  既存のモデルプールは基本的にtextitAIモデルストレージシステムとして機能する。 異なる開発者によってトレーニングされたモデルは、将来のユーザタスクに対処するために識別、再利用、組み立てることができます。 textitLearnware Dock System (LDS)は強力なAIモデル管理システムへの道筋を提供する。
  論文  参考訳（メタデータ） (2026-09-10T15:01:27Z)
• iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model [89.9836668595474]
  再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。 本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。 我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。 産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
  論文  参考訳（メタデータ） (2026-08-28T15:51:26Z)
• Agentic AI Scientists Are Not Built For Autonomous Scientific Discovery [23.774769836398036]
  成長する研究機関は、エンドツーエンドの科学的発見が可能なAI科学者を追求している。 このポジションペーパーでは、彼らはすでに共同科学者として機能しているが、エージェントAI科学者は自律的な科学的発見のために構築されていないと論じている。
  論文  参考訳（メタデータ） (2026-05-09T13:52:23Z)
• AI Co-Scientist for Ranking: Discovering Novel Search Ranking Models alongside LLM-based AI Agents with Cloud Computing Access [60.37646376282544]
  本稿では,全検索ランキング研究パイプラインを自動化したAI共同科学者フレームワークを提案する。 これは、AIの共同科学者フレームワークをアルゴリズム研究に利用した、ランキングコミュニティで初めての研究である。
  論文  参考訳（メタデータ） (2026-03-23T09:29:08Z)
• The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery [14.465756130099091]
  本稿では,完全自動科学的発見のための最初の包括的枠組みについて述べる。 我々は、新しい研究アイデアを生成し、コードを書き、実験を実行し、結果を視覚化し、その結果を説明するThe AI Scientistを紹介します。 原則として、このプロセスは、人間の科学コミュニティのように行動しながら、オープンな方法でアイデアを反復的に発展させることができる。
  論文  参考訳（メタデータ） (2024-08-12T16:58:11Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• FAIR AI Models in High Energy Physics [16.744801048170732]
  実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。 これらの原則を適用するためのテンプレートについて説明する。 本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
  論文  参考訳（メタデータ） (2022-12-09T19:00:18Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Towards Productizing AI/ML Models: An Industry Perspective from Data Scientists [10.27276267081559]
  AI/MLモデルから生産可能なAIベースのシステムへの移行は、データサイエンティストとソフトウェアエンジニアの両方にとって課題です。 本稿では,この移行が実践者によってどのように認識されるかを理解するため,コンサルティング会社におけるワークショップの結果を報告する。
  論文  参考訳（メタデータ） (2021-03-18T22:25:44Z)

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。