論文の概要: Monitoring and explainability of models in production
- arxiv url: http://arxiv.org/abs/2007.06299v1
- Date: Mon, 13 Jul 2020 10:37:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 22:56:35.810879
- Title: Monitoring and explainability of models in production
- Title（参考訳）: 生産におけるモデルのモニタリングと説明可能性
- Authors: Janis Klaise, Arnaud Van Looveren, Clive Cox, Giovanni Vacanti,
Alexandru Coca
- Abstract要約: デプロイされたモデルを監視することは、高品質の機械学習対応サービスの継続的なプロビジョニングに不可欠である。
これらの領域でソリューションの実装を成功させる上での課題を,オープンソースツールを使用した本番環境対応ソリューションの最近の例で論じる。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The machine learning lifecycle extends beyond the deployment stage.
Monitoring deployed models is crucial for continued provision of high quality
machine learning enabled services. Key areas include model performance and data
monitoring, detecting outliers and data drift using statistical techniques, and
providing explanations of historic predictions. We discuss the challenges to
successful implementation of solutions in each of these areas with some recent
examples of production ready solutions using open source tools.
- Abstract（参考訳）: マシンラーニングライフサイクルは、デプロイメントステージを超えて拡張される。
デプロイされたモデルの監視は、高品質な機械学習対応サービスの継続的な提供に不可欠である。
主な領域は、モデルパフォーマンスとデータモニタリング、統計技術を用いたアウトレーヤとデータドリフトの検出、歴史的予測の説明の提供である。
これらの領域でソリューションの実装を成功させる上での課題を,オープンソースツールを使用した製品対応ソリューションの最近の例で論じる。
関連論文リスト
- Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - AI Competitions and Benchmarks: Dataset Development [42.164845505628506]
本章では,我々の実践経験に富んだ,確立した方法論ツールの概要について概観する。
データセット開発に関わるタスクを開発し、その効果的な管理に関する洞察を提供する。
次に、データ収集、変換、品質評価を含む実装プロセスの詳細について述べる。
論文 参考訳（メタデータ） (2024-04-15T12:01:42Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - A monitoring framework for deployed machine learning models with supply
chain examples [2.904613270228912]
機械学習モデルを監視するためのフレームワークについて述べ,(2)ビッグデータサプライチェーンアプリケーションの実装について述べる。
本実装では,3つの実データ集合上でのモデル特徴,予測,および性能のドリフトについて検討する。
論文 参考訳（メタデータ） (2022-11-11T14:31:38Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Self-Supervised Representation Learning: Introduction, Advances and
Challenges [125.38214493654534]
自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。
本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
論文 参考訳（メタデータ） (2021-10-18T13:51:22Z) - Explainable Machine Learning for Fraud Detection [0.47574189356217006]
大規模なデータセットの処理をサポートする機械学習の応用は、金融サービスを含む多くの業界で有望である。
本稿では,監視モデルと非監視モデルの両方において,適切なバックグラウンドデータセットとランタイムトレードオフの選択を検討し,リアルタイム不正検出の領域における説明可能性について検討する。
論文 参考訳（メタデータ） (2021-05-13T14:12:02Z) - Analytics of Longitudinal System Monitoring Data for Performance Prediction [0.7004662712880577]
スケジューラキューで待機しているジョブのパフォーマンスを予測できるデータ駆動モデルを作成します。
我々はこれらの予測モデルを詳細に分析し、主要な性能予測因子である特徴を特定する。
このようなモデルがアプリケーションに依存しないことを実証し、トレーニングに含まれていないアプリケーションのパフォーマンスを予測するために使用できることを示す。
論文 参考訳（メタデータ） (2020-07-07T13:57:59Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。