論文の概要: Designing Machine Learning Toolboxes: Concepts, Principles and Patterns
- arxiv url: http://arxiv.org/abs/2101.04938v1
- Date: Wed, 13 Jan 2021 08:55:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 18:03:44.590980
- Title: Designing Machine Learning Toolboxes: Concepts, Principles and Patterns
- Title（参考訳）: 機械学習ツールボックスの設計:概念、原則、パターン
- Authors: Franz J. Kir\'aly, Markus L\"oning, Anthony Blaom, Ahmed Guecioueur,
Raphael Sonabend
- Abstract要約: AIモデリングツールボックスの設計における重要なパターンについて概説する。
我々の分析では、既存のツールボックスの設計だけでなく、新しいツールボックスの開発も説明できます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) and AI toolboxes such as scikit-learn or Weka are
workhorses of contemporary data scientific practice -- their central role being
enabled by usable yet powerful designs that allow to easily specify, train and
validate complex modeling pipelines. However, despite their universal success,
the key design principles in their construction have never been fully analyzed.
In this paper, we attempt to provide an overview of key patterns in the design
of AI modeling toolboxes, taking inspiration, in equal parts, from the field of
software engineering, implementation patterns found in contemporary toolboxes,
and our own experience from developing ML toolboxes. In particular, we develop
a conceptual model for the AI/ML domain, with a new type system, called
scientific types, at its core. Scientific types capture the scientific meaning
of common elements in ML workflows based on the set of operations that we
usually perform with them (i.e. their interface) and their statistical
properties. From our conceptual analysis, we derive a set of design principles
and patterns. We illustrate that our analysis can not only explain the design
of existing toolboxes, but also guide the development of new ones. We intend
our contribution to be a state-of-art reference for future toolbox engineers, a
summary of best practices, a collection of ML design patterns which may become
useful for future research, and, potentially, the first steps towards a
higher-level programming paradigm for constructing AI.
- Abstract（参考訳）: 機械学習(ML)と、Scikit-learnやWekaといったAIツールボックスは、現代のデータサイエンスプラクティスの成果物である。
しかし、その普遍的な成功にもかかわらず、その建設における重要な設計原則は完全には分析されていない。
本稿では,AIモデリングツールボックスの設計における重要なパターンの概要について,ソフトウェア工学の分野,現代のツールボックスに見られる実装パターン,MLツールボックスの開発経験から,インスピレーションを等しく受けながら概説する。
特に、我々はAI/MLドメインの概念モデルを開発し、その中核に科学型と呼ばれる新しい型システムを構築している。
科学的なタイプは、私たちが通常実行する操作のセット(すなわち、MLワークフローにおける共通要素の科学的意味を捉えます。
それらのインターフェース)とその統計特性。
概念分析から、デザインの原則とパターンのセットを導き出します。
我々は,既存のツールボックスの設計を説明するだけでなく,新しいツールボックスの開発を導くことができることを示す。
私たちは、将来のツールボックスエンジニアに対する最先端のリファレンス、ベストプラクティスの要約、将来の研究に役立つmlデザインパターンのコレクション、そしてai構築のための高レベルプログラミングパラダイムへの第一歩として、私たちの貢献を意図しています。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - From Concept to Manufacturing: Evaluating Vision-Language Models for Engineering Design [5.268919870502001]
本稿では,視覚言語モデル(VLM)を工学設計タスクの範囲で総合的に評価する。
本稿では, スケッチ類似性解析, CAD生成, トポロジ最適化, 製造性評価, 工学教科書問題などの設計課題における2つのVLM, GPT-4V, LLaVA 1.6 34Bの性能評価を行う。
論文 参考訳（メタデータ） (2023-11-21T15:20:48Z) - Tool Learning with Foundation Models [158.8640687353623]
基礎モデルの出現により、AIシステムは、人間としてのツールの使用に等しく適応できる可能性がある。
その大きな可能性にもかかわらず、この分野における重要な課題、機会、そして将来の取り組みに関する包括的な理解はいまだに欠けている。
論文 参考訳（メタデータ） (2023-04-17T15:16:10Z) - AI Art in Architecture [0.6853165736531939]
最近の拡散ベースのAIアートプラットフォームは、単純なテキスト記述から印象的なイメージを作成することができる。
これはアーキテクチャ設計の初期段階にも当てはまり、アイデア、スケッチ、モデリングの段階が複数ある。
アーキテクチャ設計における一連の一般的なユースケースに対して,Midjourney,DALL-E 2,StableDiffusionの各プラットフォームの適用性について検討する。
論文 参考訳（メタデータ） (2022-12-19T12:24:14Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - 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) - Deep Generative Models in Engineering Design: A Review [1.933681537640272]
本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。
最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
論文 参考訳（メタデータ） (2021-10-21T02:50:10Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - A Model-Driven Engineering Approach to Machine Learning and Software
Modeling [0.5156484100374059]
モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
論文 参考訳（メタデータ） (2021-07-06T15:50:50Z) - An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
論文 参考訳（メタデータ） (2021-07-02T04:32:18Z) - 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)
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。