.png){kind=icon}
返回
Quality Management for AI-Generated Self-Adaptive Resource Controllers
.png){kind=icon}
OA
AI
DOI：10.3390/machines14010025.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多复杂系统需要使用控制器，以实现对组件和资源的自动化、自适应管理。控制器是软件组件，用于观察系统、分析其质量，并推荐和执行决策以维持或提升质量。尽管控制器已有多年应用历史，但近年来，人工智能（AI）技术，如机器学习（ML）以及具体强化学习（RL），被用于构建这些控制器，这因它们的构建方式引发了关于其质量的疑虑。我们研究了RL构建的基于软件的控制器质量指标，以实现其持续质量控制，这一研究尤其受到日益增长的自动化趋势以及人工智能和控制理论解决方案在控制器构建与操作中的应用的驱动。我们引入了自适和控原理，并为自适系统中的控制器定义了面向质量控制器参考架构。这构成了核心贡献的基础，即针对控制器自身的质量分析指标框架。
Keyword:
controller
DevOps
machine learning
reinforcement learning
responsible AI
metrics
quality management
self-adaptive system
generative AI
large language models (LLM)
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
981
被引数:
8.2K
机构
引用论文
High-speed uploading architecture using distributed edge servers on multi-RAT heterogeneous networks
PREAI
分享收藏Edge Computing-based Fault-Tolerant Framework: A Case Study on Vehicular Networks基于边缘计算的容错框架：车载网络案例研究OAAI
OAAI分享收藏A novel reinforcement learning controller for the DC-DC boost converter一种用于DC-DC升压变换器的新型强化学习控制器.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏分享收藏Analyzing rare event, anomaly, novelty and outlier detection terms under the supervised classification framework在监督分类框架下分析稀有事件，异常，新颖性和异常值检测术语OAAI
OAAI分享收藏
查看更多内容