論文の概要: Challenges in Deploying Machine Learning: a Survey of Case Studies
- arxiv url: http://arxiv.org/abs/2011.09926v3
- Date: Thu, 19 May 2022 09:51:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 04:48:05.211888
- Title: Challenges in Deploying Machine Learning: a Survey of Case Studies
- Title（参考訳）: 機械学習の展開における課題:ケーススタディの調査
- Authors: Andrei Paleyes, Raoul-Gabriel Urma, Neil D. Lawrence
- Abstract要約: この調査は、機械学習ソリューションをさまざまなユースケース、産業、アプリケーションにデプロイする、というレポートを公表した。
機械学習デプロイメントワークフローのステップに対する課題のマッピングによって、デプロイプロセスの各段階で、実践者が問題に直面していることが分かる。
- 参考スコア（独自算出の注目度）: 11.028123436097616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning has transitioned from a field of academic
research interest to a field capable of solving real-world business problems.
However, the deployment of machine learning models in production systems can
present a number of issues and concerns. This survey reviews published reports
of deploying machine learning solutions in a variety of use cases, industries
and applications and extracts practical considerations corresponding to stages
of the machine learning deployment workflow. By mapping found challenges to the
steps of the machine learning deployment workflow we show that practitioners
face issues at each stage of the deployment process. The goal of this paper is
to lay out a research agenda to explore approaches addressing these challenges.
- Abstract（参考訳）: 近年、機械学習は学術研究の分野から、現実世界のビジネス問題を解決することのできる分野へと移行している。
しかし、本番システムへの機械学習モデルのデプロイには、多くの問題と懸念がある。
この調査は、さまざまなユースケース、業界、アプリケーションにおける機械学習ソリューションのデプロイに関する報告をレビューし、機械学習デプロイメントワークフローのステージに対応する実践的考察を抽出した。
機械学習デプロイメントワークフローのステップに対する課題のマッピングによって、デプロイプロセスの各段階で、実践者が問題に直面していることが分かる。
本稿の目的は,これらの課題に対するアプローチを検討するための研究課題を整理することである。
関連論文リスト
- Machine Learning Operations: A Mapping Study [0.0]
この記事では、MLOpsパイプラインのいくつかのコンポーネントに存在する問題について論じる。
MLOpsシステムで発生する課題を、異なる焦点領域に分類するために、システマティックマッピング研究が実施されている。
この研究の主な価値は、MLOpsの独特な課題と、私たちの研究で概説された推奨された解決策をマッピングすることです。
論文 参考訳（メタデータ） (2024-09-28T17:17:40Z) - "Forgetting" in Machine Learning and Beyond: A Survey [0.0]
この調査は、さまざまな機械学習サブフィールドにまたがる、忘れることの利点とその応用に焦点を当てる。
本稿では,機械学習モデルへの忘れるメカニズムの統合に関する現状の課題,今後の方向性,倫理的考察について論じる。
論文 参考訳（メタデータ） (2024-05-31T05:10:30Z) - 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 Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Towards Automated Process Planning and Mining [77.34726150561087]
我々は、AIとBPM分野の研究者が共同で働く研究プロジェクトについて紹介する。
プロセスモデルを自動的に導出するための総合的な研究課題、研究の関連分野、および総合的な研究枠組みについて論じる。
論文 参考訳（メタデータ） (2022-08-18T16:41:22Z) - Software Testing for Machine Learning [13.021014899410684]
機械学習は騙されやすいことが示され、エラーや致命的な失敗に至る。
この状況は、特に安全クリティカルな応用において機械学習が広く使われていることを疑問視している。
この要約では、機械学習のためのソフトウェアテストの現状について論じる。
論文 参考訳（メタデータ） (2022-04-30T08:47:10Z) - A Survey on Machine Learning Techniques for Source Code Analysis [14.129976741300029]
ソースコード解析に応用された機械学習の領域における現在の知識を要約することを目的としている。
そこで本研究では,2002年から2021年にかけて,広範囲にわたる文献検索を行い,初等研究364点を同定した。
論文 参考訳（メタデータ） (2021-10-18T20:13:38Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - A Survey of Machine Learning Methods and Challenges for Windows Malware
Classification [43.4550536920809]
調査は、マルウェア問題に機械学習を適用する方法についてより詳しく学びたいサイバーセキュリティ実践者や、データサイエンティストにこの独特な複雑な領域における課題に対する必要な背景を提供することの両方に有用である。
論文 参考訳（メタデータ） (2020-06-15T17:46:12Z) - 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) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
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。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。