論文の概要: Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology

• arxiv url: http://arxiv.org/abs/2003.05155v2
• Date: Wed, 24 Feb 2021 14:33:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 14:03:48.386978
• Title: Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology
• Title（参考訳）: CRISP-ML(Q):品質保証方法論を用いた機械学習プロセスモデル
• Authors: Stefan Studer, Thanh Binh Bui, Christian Drescher, Alexander Hanuschkin, Ludwig Winkler, Steven Peters, Klaus-Robert Mueller
• Abstract要約: 本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
• 参考スコア（独自算出の注目度）: 53.063411515511056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is an established and frequently used technique in industry and academia but a standard process model to improve success and efficiency of machine learning applications is still missing. Project organizations and machine learning practitioners have a need for guidance throughout the life cycle of a machine learning application to meet business expectations. We therefore propose a process model for the development of machine learning applications, that covers six phases from defining the scope to maintaining the deployed machine learning application. The first phase combines business and data understanding as data availability oftentimes affects the feasibility of the project. The sixth phase covers state-of-the-art approaches for monitoring and maintenance of a machine learning applications, as the risk of model degradation in a changing environment is eminent. With each task of the process, we propose quality assurance methodology that is suitable to adress challenges in machine learning development that we identify in form of risks. The methodology is drawn from practical experience and scientific literature and has proven to be general and stable. The process model expands on CRISP-DM, a data mining process model that enjoys strong industry support but lacks to address machine learning specific tasks. Our work proposes an industry and application neutral process model tailored for machine learning applications with focus on technical tasks for quality assurance.
• Abstract（参考訳）: 機械学習は、業界やアカデミアで確立され、頻繁に使われる技術であるが、機械学習アプリケーションの成功と効率を改善するための標準プロセスモデルはまだ欠落している。 プロジェクト組織と機械学習の実践者は、ビジネス期待を満たすために、機械学習アプリケーションのライフサイクルを通してガイダンスを必要とする。 そこで本研究では,機械学習アプリケーションを開発するためのプロセスモデルを提案する。 データの可用性はプロジェクトの実現可能性に影響を与えることが多いため、第1フェーズはビジネスとデータ理解を組み合わせる。 第6フェーズは、変化する環境におけるモデル劣化のリスクが極めて高いため、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチをカバーする。 プロセスの各タスクにおいて、リスクの形で識別する機械学習開発における課題に対処するのに適した品質保証手法を提案する。 この方法論は実践的な経験と科学文献から導かれ、一般に安定していることが証明されている。 プロセスモデルは、強力な業界サポートを享受するが、機械学習特有のタスクには対処できないデータマイニングプロセスモデルであるcrisp-dmに拡張される。 我々の研究は、品質保証のための技術的タスクに焦点を当てた機械学習アプリケーションに適した産業およびアプリケーション中立プロセスモデルを提案する。

関連論文リスト

• Application-Driven Innovation in Machine Learning [56.85396167616353]
  機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。 このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。 このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
  論文  参考訳（メタデータ） (2024-03-26T04:59:27Z)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Concepts for Automated Machine Learning in Smart Grid Applications [0.2624902795082451]
  エネルギーシステムにおける機械学習手法の大規模適用は、専門家の知識の必要性によって損なわれている。 プロセス知識は、問題の形式化やモデルの検証、適用に必要です。 我々は、自動運転車のSAE標準に沿って、予測のための5つのレベルの自動化を定義する。
  論文  参考訳（メタデータ） (2021-10-26T11:34:41Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• An Experience Report on Machine Learning Reproducibility: Guidance for Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
  本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。 我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
  論文  参考訳（メタデータ） (2021-07-02T04:32:18Z)
• Machine Learning Model Development from a Software Engineering Perspective: A Systematic Literature Review [0.0]
  データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。 本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
  論文  参考訳（メタデータ） (2021-02-15T14:25:13Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。