Towards Industrial Revolution 5.0 and Explainable Artificial Intelligence: Challenges and Opportunities
Notice bibliographique
Résumé
Technological growth is changing our everyday living, making it smarter and more convenient day by day; Smart society 5.0, Healthcare 5.0, Agriculture 5.0 are only a few examples indicative of our fast-evolving lifestyle.The Industrial Revolution 5.0 (IR 5.0) encapsulates future industry development trends to achieve prosperity beyond jobs by incorporating more intelligence in our everyday living with the help of cutting-edge technologies such as Explainable Artificial Intelligence.This paper reviews the enabling technologies for Industry 5.0 and suggests some pertinent research areas requiring more focus.The transition of manufacturing processes from mass production to mass personalization, the anticipated reliance on Cyber-Physical Systems (CPS) and digital twins is visualized, to identify the gaps in fully realizing the revolution.The operations of smart factories to enhance the overall productivity, modern workforce comprising of human-machine collaboration, means of heterogeneous data transmission & data interoperability, and security & privacy issues are reviewed to identify hot research spots, that will eventually fill in the gaps within societal domains to realize Industry 5.0.The potential of the new domain of Explainable Artificial intelligence to understand the application of right tools in a data connected Industry 5.0 compliant smart society is explored.Altogether, this research explores several research challenges and opportunities linked with IR 5.0.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,012 | 0,020 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».