論文の概要: Minerva: A Portable Machine Learning Microservice Framework for
Traditional Enterprise SaaS Applications
- arxiv url: http://arxiv.org/abs/2005.00866v1
- Date: Sat, 2 May 2020 15:53:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 13:00:36.818974
- Title: Minerva: A Portable Machine Learning Microservice Framework for
Traditional Enterprise SaaS Applications
- Title(参考訳): Minerva: 従来のエンタープライズSaaSアプリケーションのためのポータブル機械学習マイクロサービスフレームワーク
- Authors: Venkata Duvvuri
- Abstract要約: 従来のエンタープライズアプリケーションでは、再設計は機械学習(ML)モデルをうまくデプロイするための重要な要素である。
ここでは、従来のレガシーアプリケーションスイートにおけるインテリジェントなモジュール化とデプロイの効率的な方法として、ポータブルなMLマイクロサービスフレームワークであるMinervaを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In traditional SaaS enterprise applications, microservices are an essential
ingredient to deploy machine learning (ML) models successfully. In general,
microservices result in efficiencies in software service design, development,
and delivery. As they become ubiquitous in the redesign of monolithic software,
with the addition of machine learning, the traditional applications are also
becoming increasingly intelligent. Here, we propose a portable ML microservice
framework Minerva (microservices container for applied ML) as an efficient way
to modularize and deploy intelligent microservices in traditional legacy SaaS
applications suite, especially in the enterprise domain. We identify and
discuss the needs, challenges and architecture to incorporate ML microservices
in such applications. Minervas design for optimal integration with legacy
applications using microservices architecture leveraging lightweight
infrastructure accelerates deploying ML models in such applications.
- Abstract(参考訳): 従来のSaaSエンタープライズアプリケーションでは、マイクロサービスは機械学習(ML)モデルをうまくデプロイするための重要な要素です。
一般的に、マイクロサービスはソフトウェアサービス設計、開発、デリバリの効率性をもたらす。
モノリシックなソフトウェアの再設計において、機械学習が加わったことにより、従来のアプリケーションはますますインテリジェントになりつつある。
本稿では,従来のSaaSアプリケーションスイート,特にエンタープライズドメインにおいて,インテリジェントなマイクロサービスをモジュール化およびデプロイするための効率的な方法として,ポータブルなMLマイクロサービスフレームワークであるMinervaを提案する。
このようなアプリケーションにMLマイクロサービスを組み込むニーズ、課題、アーキテクチャを特定し、議論する。
軽量インフラストラクチャを活用するマイクロサービスアーキテクチャを使用したレガシーアプリケーションとの最適な統合のためのMinervas設計は、そのようなアプリケーションにMLモデルをデプロイすることを加速する。
関連論文リスト
- A Cyber Manufacturing IoT System for Adaptive Machine Learning Model Deployment by Interactive Causality Enabled Self-Labeling [0.0]
本稿では、エンドツーエンドのデータストリーミングパイプライン、MLサービス統合、自動自己ラベルサービスで構成されるAdaptIoTシステムを提案する。
このセルフラベルサービスは、因果的知識ベースと自動化されたフルサイクルのセルフラベルで構成され、複数のMLモデルを同時に適応させる。
自己ラベル適応型MLアプリケーションの実演はメーカースペースを用いて行われ、信頼性の高い性能を示す。
論文 参考訳(メタデータ) (2024-04-09T03:10:45Z) - Towards an MLOps Architecture for XAI in Industrial Applications [2.0457031151514977]
機械学習(ML)は、業務の改善、効率の向上、コスト削減を支援するため、産業分野で人気の高いツールとなっている。
残りのMLOps(Machine Learning Operations)の課題のひとつは、説明の必要性だ。
我々はMLOpsソフトウェアアーキテクチャを開発し、ML開発とデプロイメントプロセスに説明とフィードバック機能を統合するという課題に対処した。
論文 参考訳(メタデータ) (2023-09-22T09:56:25Z) - Systematic Mapping of Monolithic Applications to Microservices
Architecture [2.608935407927351]
モノリシックシステムから移行する際、組織が直面するメリットと課題について論じる。
ドメイン駆動開発の概念を用いてモノリシックなシステムを識別する手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T15:47:11Z) - Machine Learning-Enabled Software and System Architecture Frameworks [48.87872564630711]
データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。
10か国25以上の組織から61名の被験者を対象に調査を行った。
論文 参考訳(メタデータ) (2023-08-09T21:54:34Z) - Convert Monolithic Application to Microservice Application [0.0]
多くの企業は、スケールアップとアジャイル開発としてビジネス要件を達成するために、既存のモノリシックアプリケーションをマイクロサービスに変換する。
本稿では,既存のモノリシックアプリケーションをスクラッチからマイクロサービスアプリケーション全体を書き換えることなく,マイクロサービスアプリケーションに変換する方法について,ソフトウェア開発者を指導する。
また、NetflixとAirbnbがモノリシックアプリケーションをマイクロサービスアプリケーションにどのように変換したかを要約します。
論文 参考訳(メタデータ) (2023-06-15T04:27:49Z) - CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。
我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。
CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
論文 参考訳(メタデータ) (2023-05-31T05:24:48Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT [9.477629856092218]
本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
論文 参考訳(メタデータ) (2022-07-18T13:06:21Z) - YMIR: A Rapid Data-centric Development Platform for Vision Applications [82.67319997259622]
本稿では,コンピュータビジョンアプリケーションの開発を迅速化するオープンソースプラットフォームについて紹介する。
このプラットフォームは、効率的なデータ開発を機械学習開発プロセスの中心に置く。
論文 参考訳(メタデータ) (2021-11-19T05:02:55Z) - 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。