論文の概要: Software engineering for artificial intelligence and machine learning
software: A systematic literature review
- arxiv url: http://arxiv.org/abs/2011.03751v1
- Date: Sat, 7 Nov 2020 11:06:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 22:41:59.231401
- Title: Software engineering for artificial intelligence and machine learning
software: A systematic literature review
- Title（参考訳）: 人工知能と機械学習ソフトウェアのためのソフトウェア工学 : 体系的な文献レビュー
- Authors: Elizamary Nascimento, Anh Nguyen-Duc, Ingrid Sundb{\o} and Tayana
Conte
- Abstract要約: 本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
- 参考スコア（独自算出の注目度）: 6.681725960709127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) or Machine Learning (ML) systems have been
widely adopted as value propositions by companies in all industries in order to
create or extend the services and products they offer. However, developing
AI/ML systems has presented several engineering problems that are different
from those that arise in, non-AI/ML software development. This study aims to
investigate how software engineering (SE) has been applied in the development
of AI/ML systems and identify challenges and practices that are applicable and
determine whether they meet the needs of professionals. Also, we assessed
whether these SE practices apply to different contexts, and in which areas they
may be applicable. We conducted a systematic review of literature from 1990 to
2019 to (i) understand and summarize the current state of the art in this field
and (ii) analyze its limitations and open challenges that will drive future
research. Our results show these systems are developed on a lab context or a
large company and followed a research-driven development process. The main
challenges faced by professionals are in areas of testing, AI software quality,
and data management. The contribution types of most of the proposed SE
practices are guidelines, lessons learned, and tools.
- Abstract（参考訳）: 人工知能(AI)または機械学習(ML)システムは、提供するサービスや製品の作成や拡張のために、あらゆる産業の企業から価値提案として広く採用されている。
しかし、AI/MLシステムの開発は、AI/ML以外のソフトウェア開発と異なるいくつかの工学的な問題を提起している。
本研究の目的は,AI/MLシステムの開発においてソフトウェア工学(SE)がどのように適用されてきたかを調べ,適用可能な課題と実践を特定し,専門家のニーズを満たすかどうかを判断することである。
また、これらのSEプラクティスが異なるコンテキストに適用可能かどうか、どの領域に適用可能かを評価した。
1990年から2019年までの文献の体系的レビューを行った。
(i)この分野における美術の現況を理解し、まとめる
(ii)今後の研究を進めるための限界と課題について分析する。
以上の結果から,これらのシステムは研究室や大企業で開発され,研究主導の開発プロセスに続くものと考えられる。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
提案されたseプラクティスの大半のコントリビューションタイプは、ガイドライン、学習した教訓、ツールです。
関連論文リスト
- A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。
レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
論文 参考訳（メタデータ） (2024-06-19T23:04:27Z) - Bridging Gaps, Building Futures: Advancing Software Developer Diversity and Inclusion Through Future-Oriented Research [50.545824691484796]
我々はSEの多様性と包摂性に関する課題と解決策について、SE研究者や実践者から知見を提示する。
我々は,将来的なユートピアやディストピアのビジョンを共有し,今後の研究の方向性とアカデミックや産業への示唆を提供する。
論文 参考訳（メタデータ） (2024-04-10T16:18:11Z) - A Case Study on AI Engineering Practices: Developing an Autonomous Stock
Trading System [8.211107836178083]
プロダクション対応のAIベースのシステムの品質を保証するためには、ソリッドAIエンジニアリングプラクティスが必要である。
AIベースのシステムを開発するためのいくつかのプラクティスがすでに提案されているが、これらのプラクティスを適用するための詳細な実践経験は稀である。
文献から10のAIエンジニアリングプラクティスを選択し、開発中に体系的に適用しました。
論文 参考訳（メタデータ） (2023-03-23T12:27:27Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Machine Learning Application Development: Practitioners' Insights [18.114724750441724]
MLアプリケーション開発の課題とベストプラクティスを理解することを目的とした調査について報告する。
80人の実践者から得られた結果を17の発見にまとめ、MLアプリケーション開発の課題とベストプラクティスを概説する。
報告された課題が、MLベースのアプリケーションのエンジニアリングプロセスと品質を改善するために調査すべきトピックについて、研究コミュニティに知らせてくれることを期待しています。
論文 参考訳（メタデータ） (2021-12-31T03:38:37Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳（メタデータ） (2021-05-07T12:01:31Z) - Software Engineering for AI-Based Systems: A Survey [8.550158373713906]
AIベースのシステムの構築、運用、保守のためのソフトウェアエンジニアリングのアプローチに関する合成知識は限られています。
AIベースのシステムのためのSEは、2018年以来、研究の2/3以上が出版されている新興研究領域です。
AIベースのシステムの最も研究された特性は信頼性と安全性です。
論文 参考訳（メタデータ） (2021-05-05T11:22:08Z) - 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) - A Software Engineering Perspective on Engineering Machine Learning
Systems: State of the Art and Challenges [0.0]
機械学習(ML)の進歩は、アルゴリズムが人間によってハードコードされる従来のソフトウェア開発の視点から、データから学習することで実現されたMLシステムへとシフトする。
ソフトウェアシステムの開発方法を再考し、これらの新しいタイプのシステムに必要な特質を考慮する必要があります。
論文 参考訳（メタデータ） (2020-12-14T20:06:31Z) - 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) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。