論文の概要: From FAIR to AI-FAIR Metadata-First Infrastructure for AI-Enabled Science

• arxiv url: http://arxiv.org/abs/2611.03327v1
• Date: Mon, 02 Nov 2026 15:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:06:02.168411
• Title: From FAIR to AI-FAIR Metadata-First Infrastructure for AI-Enabled Science
• Title（参考訳）: AI-Enabled ScienceのためのFAIRからAI-FAIRメタデータファーストインフラストラクチャへ
• Abstract要約: 我々は、AI対応インフラのニーズに対応するために、元のFAIR原則の拡張を提案する。 AI-FAIRメタデータの基準は、双方向の質問-データ-モデル三角形の文脈でAI可能な科学を配置する。 既存のデータセットを評価するエージェント評価ワークフローを導入し、重要なメタデータが欠落している、あるいは不完全である場合に、アクション可能なフィードバックを提供する。
• 参考スコア（独自算出の注目度）: 2.4059481242861787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) technologies and their capabilities have advanced rapidly over the past few years, leading to widespread interest and adoption in the biological and ecological sciences. However, the data infrastructure and computational resources that provide the foundation for AI workflows in ecology and biodiversity science remain fragmented. Moreover, the flow of value remains largely unidirectional: data move from collectors, through repositories and aggregators into models, and finally to research products or management actions. The derived value, such as corrected taxonomies, annotations, quality flags, and insights, rarely returns to source communities. We propose an extension of the original FAIR principles to address the needs of AI-ready infrastructure: the AI-FAIR metadata criteria, which place AI-enabled science in the context of a bidirectional Question-Data-Model triangle. This framework is designed to facilitate large-scale content-based analysis across diverse collections and ensure that the scientists generating the data benefit from the AI-enabled advances built on their data. Alongside these criteria, we introduce an agentic evaluation workflow that both rates existing datasets on the AI-FAIR and traditional FAIR criteria and provides actionable feedback where critical metadata is missing or incomplete. This modular dataset evaluation tool, paired with a domain-appropriate checklist, translates these principles into a reusable assessment of machine-learning readiness, AI-readiness for specified tasks, traceability, and ethical and CARE-aligned stewardship. Through this approach we aim to create a community-informed system to close the model data loop, so that AI also enriches data to further enable scientific discovery.
• Abstract（参考訳）: 人工知能(AI)技術とその能力は、ここ数年で急速に進歩し、生物学や生態学に広く関心と採用をもたらしている。 しかし、生態学と生物多様性科学におけるAIワークフローの基礎を提供するデータインフラストラクチャと計算資源は、依然として断片化されている。 データはコレクタからレポジトリやアグリゲータを経てモデルに移動し、最終的に製品や管理行動を研究する。 修正された分類、アノテーション、品質フラグ、洞察などの派生した価値は、ソースコミュニティにはほとんど戻らない。 本稿では、AI対応科学を双方向質問データモデル三角形の文脈に配置するAI-FAIRメタデータ基準(AI-FAIRメタデータ基準)について、AI対応インフラストラクチャのニーズに対応するために、元のFAIR原則の拡張を提案する。 このフレームワークは、さまざまなコレクションにわたる大規模なコンテンツベースの分析を促進し、データ上に構築されたAI対応の進歩からデータを生成する科学者を確実にするように設計されている。 これらの基準に加えて、AI-FAIRおよび従来のFAIR基準に基づいて既存のデータセットを評価するエージェント評価ワークフローを導入し、重要なメタデータが欠落している場合や不完全である場合に実行可能なフィードバックを提供する。 このモジュラーデータセット評価ツールは、ドメインに適したチェックリストと組み合わせて、これらの原則を機械学習の準備性、特定のタスクに対するAI対応性、トレーサビリティ、倫理的およびCARE対応のスチュワードシップの再利用性評価に変換する。 このアプローチを通じて、私たちは、モデルデータループを閉じるコミュニティインフォームドシステムの構築を目指しています。

関連論文リスト

• Can Large Language Models Derive New Knowledge? A Dynamic Benchmark for Biological Knowledge Discovery [81.03797680309154]
  DBench-Bioは、AIの生物学的知識発見能力を評価するための、動的で完全に自動化されたベンチマークである。 このパイプラインをインスタンス化し、12のバイオメディカルサブドメインをカバーする月次更新ベンチマークを構築します。 我々の研究は、AIシステムの新しい知識発見能力を評価するための、最初の動的で自動的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:47:22Z)
• Data Readiness for Scientific AI at Scale [0.0]
  本稿では,AIのためのデータ準備性(DRAI)の原則が,基礎モデルのトレーニングに使用されるリーダーシップスケールの科学的データセットにどのように適用されるかを検討する。 我々は, 気候, 核融合, 生物・健康, 材料など, 4つの代表的な領域にわたる古細菌の分析を行った。 我々は、データ準備レベル(AI対応)とデータ処理ステージ(シャードに最も近い)からなる2次元準備性フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-07-30T18:30:37Z)
• AI Data Readiness Inspector (AIDRIN) for Quantitative Assessment of Data Readiness for AI [0.8553254686016967]
  ガベージ・イン・ガベージ・アウト(Garbage in Garbage Out)は、人工知能(AI)など、様々な分野のコンピュータ科学者によって広く合意された引用である。 AIのデータ"可読性"を評価するための標準的な方法やフレームワークはありません。 AIDRINは、文献で利用可能な幅広い準備性次元をカバーするフレームワークである。
  論文  参考訳（メタデータ） (2024-06-27T15:26:39Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• 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)
• FAIR principles for AI models, with a practical application for accelerated high energy diffraction microscopy [1.9270896986812693]
  我々は、統合された計算フレームワーク内でFAIRデータとAIモデルを作成し、共有する方法を紹介します。 ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
  論文  参考訳（メタデータ） (2022-07-01T18:11:12Z)
• Paradigm selection for Data Fusion of SAR and Multispectral Sentinel data applied to Land-Cover Classification [63.072664304695465]
  本稿では、畳み込みニューラルネットワーク(CNN)に基づく4つのデータ融合パラダイムを分析し、実装する。 目標は、最良のデータ融合フレームワークを選択するための体系的な手順を提供することであり、その結果、最高の分類結果が得られる。 この手順は、土地被覆分類のために検証されているが、他のケースに転送することができる。
  論文  参考訳（メタデータ） (2021-06-18T11:36:54Z)

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。