論文の概要: Towards ML Engineering: A Brief History Of TensorFlow Extended (TFX)

• arxiv url: http://arxiv.org/abs/2010.02013v2
• Date: Wed, 7 Oct 2020 18:08:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:34:16.636061
• Title: Towards ML Engineering: A Brief History Of TensorFlow Extended (TFX)
• Title（参考訳）: MLエンジニアリングに向けて - TensorFlow Extended(TFX)の簡単な歴史
• Authors: Konstantinos (Gus) Katsiapis, Abhijit Karmarkar, Ahmet Altay, Aleksandr Zaks, Neoklis Polyzotis, Anusha Ramesh, Ben Mathes, Gautam Vasudevan, Irene Giannoumis, Jarek Wilkiewicz, Jiri Simsa, Justin Hong, Mitch Trott, No\'e Lutz, Pavel A. Dournov, Robert Crowe, Sarah Sirajuddin, Tris Brian Warkentin, Zhitao Li
• Abstract要約: ソフトウェアエンジニアリングは、規律として、過去5年以上にわたって成熟してきました。 機械学習(ML)も過去2年以上にわたって成長してきた。 Alphabetの2つの連続したエンドツーエンド(E2E)MLプラットフォーム上に構築された、10年以上にわたる応用MLから学んだ教訓を公開します。
• 参考スコア（独自算出の注目度）: 40.94720483720661
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Software Engineering, as a discipline, has matured over the past 5+ decades. The modern world heavily depends on it, so the increased maturity of Software Engineering was an eventuality. Practices like testing and reliable technologies help make Software Engineering reliable enough to build industries upon. Meanwhile, Machine Learning (ML) has also grown over the past 2+ decades. ML is used more and more for research, experimentation and production workloads. ML now commonly powers widely-used products integral to our lives. But ML Engineering, as a discipline, has not widely matured as much as its Software Engineering ancestor. Can we take what we have learned and help the nascent field of applied ML evolve into ML Engineering the way Programming evolved into Software Engineering [1]? In this article we will give a whirlwind tour of Sibyl [2] and TensorFlow Extended (TFX) [3], two successive end-to-end (E2E) ML platforms at Alphabet. We will share the lessons learned from over a decade of applied ML built on these platforms, explain both their similarities and their differences, and expand on the shifts (both mental and technical) that helped us on our journey. In addition, we will highlight some of the capabilities of TFX that help realize several aspects of ML Engineering. We argue that in order to unlock the gains ML can bring, organizations should advance the maturity of their ML teams by investing in robust ML infrastructure and promoting ML Engineering education. We also recommend that before focusing on cutting-edge ML modeling techniques, product leaders should invest more time in adopting interoperable ML platforms for their organizations. In closing, we will also share a glimpse into the future of TFX.
• Abstract（参考訳）: ソフトウェア工学は、この5年以上で成熟した分野である。 現代の世界はitに大きく依存するので、ソフトウェアエンジニアリングの成熟度が高まったことは、結果でした。 テストや信頼性の高い技術といったプラクティスは、ソフトウェアエンジニアリングを業界を構築するのに十分な信頼性に役立ちます。 一方、機械学習(ML)も過去20年以上にわたって成長してきた。 mlは研究、実験、運用ワークロードにますます使われている。 MLは一般的に、私たちの生活に不可欠な広く使われている製品を動かしています。 しかし、ML Engineeringは規律として、Software Engineeringの祖先ほど広く成熟していない。 プログラミングがソフトウェア工学に進化するにつれて、応用MLの分野がMLエンジニアリングに進化するのを助けることができるだろうか。 この記事では、Alphabetの2つの連続したエンドツーエンド(E2E)MLプラットフォームである、Sibyl [2]とTensorFlow Extended(TFX) [3]の渦巻きツアーを行います。 これらのプラットフォーム上に構築された10年以上にわたる応用mlから学んだ教訓を共有し、それらの類似点と相違点の両方を説明し、私たちの旅に役立ったシフト(メンタルとテクニカルの両方)を拡大します。 さらに、MLエンジニアリングのいくつかの側面を実現するのに役立つTFXのいくつかの機能を強調します。 MLがもたらす利益を解き放つためには、堅牢なMLインフラストラクチャに投資し、MLエンジニアリング教育を促進することで、MLチームの成熟度を向上する必要がある、と私たちは主張する。 また、最先端のMLモデリング技術に注力する前に、プロダクトリーダーは組織に相互運用可能なMLプラットフォームを採用する時間を増やすことを推奨しています。 締めくくりとして、私たちはまた、TFXの将来を垣間見るつもりです。

関連論文リスト

• A Large-Scale Study of Model Integration in ML-Enabled Software Systems [4.776073133338119]
  機械学習(ML)とそのシステムへの組み込みは、ソフトウェア集約システムのエンジニアリングを大きく変えた。 伝統的に、ソフトウェアエンジニアリングは、ソースコードやそれらを作成するプロセスなど、手作業で作成したアーティファクトに焦点を当てている。 我々は、GitHub上で2,928以上のオープンソースシステムをカバーする、実際のML対応ソフトウェアシステムに関する最初の大規模な研究を提示する。
  論文  参考訳（メタデータ） (2024-08-12T15:28:40Z)
• MESS: Modern Electronic Structure Simulations [0.0]
  電子構造シミュレーション(Electronic Structure Simulation, ESS)は、原子論的なスケールに関する定量的科学的知見を提供するために何十年も使われてきた。 最近の機械学習(ML)の導入は、MLモデルをFORTRANやCといった言語でコーディングする必要があることを意味している。 我々は、JAXで実装された最新の電子構造シミュレーションパッケージであるMESSを紹介し、ESSコードをMLの世界に移植する。
  論文  参考訳（メタデータ） (2024-06-05T10:15:16Z)
• Efficient Multimodal Large Language Models: A Survey [60.7614299984182]
  MLLM(Multimodal Large Language Models)は、視覚的質問応答、視覚的理解、推論などのタスクにおいて顕著な性能を示す。 モデルサイズと高いトレーニングと推論コストが、MLLMのアカデミックや産業への応用を妨げている。 本調査は,効率的なMLLMの現状を包括的かつ体系的に概観するものである。
  論文  参考訳（メタデータ） (2024-05-17T12:37:10Z)
• Octavius: Mitigating Task Interference in MLLMs via LoRA-MoE [85.76186554492543]
  LLM(Large Language Models)は、命令チューニングを通じて、ゼロショット能力をマルチモーダル学習に拡張することができる。 ネガティブな対立や干渉は パフォーマンスに悪影響を及ぼすかもしれない 我々は,MLLMを用いたマルチモーダル学習に関する総合的な研究と実験を行うための,Octaviusと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-05T15:48:29Z)
• A Survey on Multimodal Large Language Models [71.63375558033364]
  GPT-4Vで表されるマルチモーダル大言語モデル(MLLM)は、新たな研究ホットスポットとなっている。 本稿では,MLLMの最近の進歩を追跡・要約することを目的とする。
  論文  参考訳（メタデータ） (2023-06-23T15:21:52Z)
• Achieving Guidance in Applied Machine Learning through Software Engineering Techniques [0.0]
  現在開発環境とML APIを使用しており、MLアプリケーションの開発者に提供しています。 現在のMLツールは、いくつかの基本的なソフトウェアエンジニアリングのゴールドスタンダードを満たすには足りません。 この結果から,ML固有のソフトウェア工学の研究に十分な機会があることが示唆された。
  論文  参考訳（メタデータ） (2022-03-29T12:54:57Z)
• Declarative Machine Learning Systems [7.5717114708721045]
  機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。 近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。 MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
  論文  参考訳（メタデータ） (2021-07-16T23:57:57Z)
• Widening Access to Applied Machine Learning with TinyML [1.1678513163359947]
  我々は,Tiny Machine Learning (TinyML)上で,大規模なオープンオンラインコース (MOOC) を通じて応用機械学習 (ML) へのアクセスを増やすための教育的アプローチについて述べる。 この目的のために、学界(ハーバード大学)と産業(Google)の協力により、TinyMLを使ってソリューションを開発するためのアプリケーション指向の指導を提供する4つのMOOCが作成された。 このシリーズは、edX MOOCプラットフォームで公開されており、基本的なプログラミング以上の前提条件がなく、世界中のさまざまなバックグラウンドから学習者向けに設計されている。
  論文  参考訳（メタデータ） (2021-06-07T23:31:47Z)
• White Paper Machine Learning in Certified Systems [70.24215483154184]
  DEEL Project set-up the ML Certification 3 Workgroup (WG) set-up by the Institut de Recherche Technologique Saint Exup'ery de Toulouse (IRT)
  論文  参考訳（メタデータ） (2021-03-18T21:14:30Z)
• 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。