論文の概要: Fits and Starts: Enterprise Use of AutoML and the Role of Humans in the
Loop
- arxiv url: http://arxiv.org/abs/2101.04296v1
- Date: Tue, 12 Jan 2021 04:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 11:30:28.200861
- Title: Fits and Starts: Enterprise Use of AutoML and the Role of Humans in the
Loop
- Title(参考訳): Fits and Starts: AutoMLの企業利用とループにおける人間の役割
- Authors: Anamaria Crisan, Brittany Fiore-Gartland
- Abstract要約: AutoMLシステムは、日常的なデータサイエンス作業をスピードアップし、統計学やコンピュータサイエンスの専門知識がなくても機械学習を利用できるようにする。
私たちは、さまざまな規模の組織から29人の個人にインタビューを行い、AutoMLシステムの使用方法、または使用予定を特徴づけます。
本研究は,人間のループ内視覚分析手法の設計と実装に影響を及ぼすものである。
- 参考スコア(独自算出の注目度): 4.468952886990851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AutoML systems can speed up routine data science work and make machine
learning available to those without expertise in statistics and computer
science. These systems have gained traction in enterprise settings where pools
of skilled data workers are limited. In this study, we conduct interviews with
29 individuals from organizations of different sizes to characterize how they
currently use, or intend to use, AutoML systems in their data science work. Our
investigation also captures how data visualization is used in conjunction with
AutoML systems. Our findings identify three usage scenarios for AutoML that
resulted in a framework summarizing the level of automation desired by data
workers with different levels of expertise. We surfaced the tension between
speed and human oversight and found that data visualization can do a poor job
balancing the two. Our findings have implications for the design and
implementation of human-in-the-loop visual analytics approaches.
- Abstract(参考訳): AutoMLシステムは、通常のデータサイエンス作業のスピードアップと、統計学やコンピュータサイエンスの専門知識を持たない人たちの機械学習利用を可能にする。
これらのシステムは、熟練したデータワーカーのプールが限られている企業環境で勢いを増している。
本研究では,異なる規模の組織から29名の個人を対象に,データサイエンスにおけるAutoMLシステムの利用状況や利用意図についてインタビューを行った。
また,データ可視化とAutoMLシステムとの併用について検討した。
分析の結果,AutoMLの3つの利用シナリオは,さまざまなレベルの専門知識を持つデータワーカーが望む自動化レベルを要約するフレームワークとなった。
スピードと人間の監視の緊張関係を表面化し、データの視覚化によって両者のバランスが悪くなることを発見した。
本研究は,人間のループ内視覚分析手法の設計と実装に影響を及ぼすものである。
関連論文リスト
- AUTOACT: Automatic Agent Learning from Scratch via Self-Planning [56.81725335882185]
AutoActは、大規模アノテートデータやクローズドソースモデルからの合成軌跡に依存しない自動エージェント学習フレームワークである。
我々は異なるLLMを用いて総合的な実験を行い、AutoActは様々な強力なベースラインと比較して優れた性能または並列性能が得られることを示した。
論文 参考訳(メタデータ) (2024-01-10T16:57:24Z) - DriveLM: Driving with Graph Visual Question Answering [61.66819076674662]
本研究では,Webスケールデータに基づいて学習した視覚言語モデル(VLM)を,エンド・ツー・エンドの運転システムに統合する方法について検討する。
グラフVQAとエンドツーエンド駆動を併用するVLMベースラインアプローチ(DriveLM-Agent)を提案する。
論文 参考訳(メタデータ) (2023-12-21T18:59:12Z) - Robot Fleet Learning via Policy Merging [58.5086287737653]
我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。
本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。
合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
論文 参考訳(メタデータ) (2023-10-02T17:23:51Z) - Assessing the Use of AutoML for Data-Driven Software Engineering [10.40771687966477]
AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。
関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
論文 参考訳(メタデータ) (2023-07-20T11:14:24Z) - Demonstration of InsightPilot: An LLM-Empowered Automated Data
Exploration System [48.62158108517576]
本稿では,データ探索プロセスの簡略化を目的とした自動データ探索システムであるInsightPilotを紹介する。
InsightPilotは、理解、要約、説明などの適切な分析意図を自動的に選択する。
簡単に言うと、IQueryはデータ分析操作の抽象化と自動化であり、データアナリストのアプローチを模倣しています。
論文 参考訳(メタデータ) (2023-04-02T07:27:49Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。
以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文 参考訳(メタデータ) (2021-08-27T09:26:20Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - AutoDS: Towards Human-Centered Automation of Data Science [20.859067294445985]
本稿では,データサイエンスプロジェクトを支援する自動機械学習(AutoML)システムであるAutoDSを紹介する。
予想通り、autodsは生産性を向上させる。しかし驚くべきことに、autods groupが生成するモデルは品質が高く、エラーが少ないが、人間の信頼度スコアは低い。
論文 参考訳(メタデータ) (2021-01-13T08:35:14Z) - AutoML to Date and Beyond: Challenges and Opportunities [30.60364966752454]
AutoMLツールは、機械学習を非機械学習の専門家が利用できるようにすることを目的としている。
本稿では,AutoMLシステムのための新しい分類システムを提案する。
エンド・ツー・エンドの機械学習パイプラインのさらなる自動化に必要な研究を指摘して、将来のロードマップを策定しました。
論文 参考訳(メタデータ) (2020-10-21T06:08:21Z) - Testing the Robustness of AutoML Systems [5.942234058526296]
本稿では,3つのAutoMLシステム,TPOT,H2O,AutoKerasで生成された機械学習パイプラインの堅牢性について検討する。
特に、汚いデータによる精度への影響について検討し、汚いトレーニングデータの使用がより堅牢なソリューションの創出にどう役立つかを考察する。
論文 参考訳(メタデータ) (2020-05-06T08:20:03Z)
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。