論文の概要: Data Analytics and Machine Learning Methods, Techniques and Tool for
Model-Driven Engineering of Smart IoT Services
- arxiv url: http://arxiv.org/abs/2102.06445v1
- Date: Fri, 12 Feb 2021 11:09:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 12:59:06.286729
- Title: Data Analytics and Machine Learning Methods, Techniques and Tool for
Model-Driven Engineering of Smart IoT Services
- Title（参考訳）: スマートIoTサービスのモデル駆動エンジニアリングのためのデータ分析と機械学習方法、技術およびツール
- Authors: Armin Moin
- Abstract要約: この論文は、IoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のためのスマートサービス開発を促進する新しいアプローチを提案する。
提案されたアプローチは、ソフトウェアエンジニアリングプロセスの抽象化と自動化、データ分析(DA)と機械学習(ML)のプラクティスを提供する。
我々はThingMLと呼ばれるオープンソースモデリングツールを拡張して提案手法の実装と検証を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This doctoral dissertation proposes a novel approach to enhance the
development of smart services for the Internet of Things (IoT) and smart
Cyber-Physical Systems (CPS). The proposed approach offers abstraction and
automation to the software engineering processes, as well as the Data Analytics
(DA) and Machine Learning (ML) practices. This is realized in an integrated and
seamless manner. We implement and validate the proposed approach by extending
an open source modeling tool, called ThingML. ThingML is a domain-specific
language and modeling tool with code generation for the IoT/CPS domain. Neither
ThingML nor any other IoT/CPS modeling tool supports DA/ML at the modeling
level. Therefore, as the primary contribution of the doctoral dissertation, we
add the necessary syntax and semantics concerning DA/ML methods and techniques
to the modeling language of ThingML. Moreover, we support the APIs of several
ML libraries and frameworks for the automated generation of the source code of
the target software in Python and Java. Our approach enables
platform-independent, as well as platform-specific models. Further, we assist
in carrying out semiautomated DA/ML tasks by offering Automated ML (AutoML), in
the background (in expert mode), and through model-checking constraints and
hints at design-time. Finally, we consider three use case scenarios from the
domains of network security, smart energy systems and energy exchange markets.
- Abstract（参考訳）: この博士論文は、IoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のためのスマートサービスの開発を促進する新しいアプローチを提案する。
提案されたアプローチは、ソフトウェアエンジニアリングプロセスの抽象化と自動化、データ分析(DA)と機械学習(ML)のプラクティスを提供する。
これは統合的でシームレスな方法で実現される。
我々はThingMLと呼ばれるオープンソースモデリングツールを拡張して提案手法の実装と検証を行う。
ThingMLは、IoT/CPSドメインのためのコード生成を備えたドメイン固有言語およびモデリングツールである。
ThingMLも他のIoT/CPSモデリングツールも、モデリングレベルではDA/MLをサポートしていない。
したがって、博士論文の主な貢献として、TingMLのモデリング言語にDA/MLメソッドと技術に関する必要な構文と意味を付加する。
さらに、PythonとJavaのターゲットソフトウェアのソースコードの自動生成のために、いくつかのMLライブラリとフレームワークのAPIをサポートしています。
当社のアプローチは、プラットフォームに依存しない、プラットフォーム固有のモデルを可能にします。
さらに、自動ML(Automated ML)をバックグラウンドで(エキスパートモードで)提供し、モデルチェックの制約や設計時のヒントを通じて半自動DA/MLタスクの実行を支援する。
最後に,ネットワークセキュリティ,スマートエネルギーシステム,エネルギー交換市場という分野の3つのユースケースシナリオについて考察する。
関連論文リスト
- AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。
近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。
本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
論文 参考訳（メタデータ） (2024-10-03T20:01:09Z) - Machine Learning-Enabled Software and System Architecture Frameworks [48.87872564630711]
データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。
10か国25以上の組織から61名の被験者を対象に調査を行った。
論文 参考訳（メタデータ） (2023-08-09T21:54:34Z) - MLOps: A Step Forward to Enterprise Machine Learning [0.0]
この研究は、MLOps、そのメリット、困難、進化、および重要な基盤技術に関する詳細なレビューを提示する。
MLOpsワークフローは、モデルとデータ探索とデプロイメントの両方に必要なさまざまなツールとともに、詳細に説明されている。
この記事では、さまざまな成熟度の高い自動パイプラインを使用して、MLプロジェクトのエンドツーエンド生産にも光を当てます。
論文 参考訳（メタデータ） (2023-05-27T20:44:14Z) - MLTEing Models: Negotiating, Evaluating, and Documenting Model and
System Qualities [1.1352560842946413]
MLTEは機械学習モデルとシステムを評価するためのフレームワークと実装である。
最先端の評価テクニックを組織プロセスにコンパイルする。
MLTEツールは、モデル要件を表現するためにチームが使用できるドメイン固有の言語を提供することで、このプロセスをサポートする。
論文 参考訳（メタデータ） (2023-03-03T15:10:38Z) - 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) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳（メタデータ） (2022-09-15T13:21:16Z) - 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) - Enabling Un-/Semi-Supervised Machine Learning for MDSE of the Real-World
CPS/IoT Applications [0.5156484100374059]
我々は、スマートサイバー物理システム(CPS)とIoT(Internet of Things)の現実的なユースケースシナリオに対して、ドメイン固有モデル駆動ソフトウェアエンジニアリング(MDSE)をサポートする新しいアプローチを提案する。
人工知能(AI)の本質において利用可能なデータの大部分はラベルが付けられていないと我々は主張する。したがって、教師なしおよび/または半教師なしのMLアプローチが実践的な選択である。
提案手法は,既存の最先端MDSEツールと完全に実装され,CPS/IoTドメインを提供する。
論文 参考訳（メタデータ） (2021-07-06T15:51:39Z) - 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) - ThingML+ Augmenting Model-Driven Software Engineering for the Internet
of Things with Machine Learning [4.511923587827301]
本稿では,ThingMLの方法論,モデリング言語,ツールサポートの拡張を目的とした研究プロジェクトであるML-Quadratの現況を紹介する。
多くの場合、IoT/CPSサービスにはシステムコンポーネントや物理プロセスが含まれています。
ストリーム処理と複合イベント処理、すなわちApache SAMOAとApamaに関して、コード生成のための2つのターゲットプラットフォームをサポートする予定です。
論文 参考訳（メタデータ） (2020-09-22T15:45:45Z) - 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。