論文の概要: Characterizing Technical Debt and Antipatterns in AI-Based Systems: A
Systematic Mapping Study
- arxiv url: http://arxiv.org/abs/2103.09783v1
- Date: Wed, 17 Mar 2021 17:11:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 13:04:40.045446
- Title: Characterizing Technical Debt and Antipatterns in AI-Based Systems: A
Systematic Mapping Study
- Title（参考訳）: AIに基づくシステムにおける技術的負債とアンチパターンの特徴:システムマッピングによる研究
- Authors: Justus Bogner, Roberto Verdecchia, Ilias Gerostathopoulos
- Abstract要約: 本研究の目的は、AIベースのシステムに現れる技術的負債のタイプ(TD)の明確な概要と特徴を提供することである。
i) 確立されたTDタイプ,そのバリエーション,および4つの新しいTDタイプ(データ,モデル,構成,倫理的負債)がAIベースシステムに存在することを示す。
私たちの結果は、システムに存在するTDの側面を推論し、伝達するAI専門家を支援することができます。
- 参考スコア（独自算出の注目度）: 14.437695080681259
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: With the rising popularity of Artificial Intelligence (AI), there
is a growing need to build large and complex AI-based systems in a
cost-effective and manageable way. Like with traditional software, Technical
Debt (TD) will emerge naturally over time in these systems, therefore leading
to challenges and risks if not managed appropriately. The influence of data
science and the stochastic nature of AI-based systems may also lead to new
types of TD or antipatterns, which are not yet fully understood by researchers
and practitioners. Objective: The goal of our study is to provide a clear
overview and characterization of the types of TD (both established and new
ones) that appear in AI-based systems, as well as the antipatterns and related
solutions that have been proposed. Method: Following the process of a
systematic mapping study, 21 primary studies are identified and analyzed.
Results: Our results show that (i) established TD types, variations of them,
and four new TD types (data, model, configuration, and ethics debt) are present
in AI-based systems, (ii) 72 antipatterns are discussed in the literature, the
majority related to data and model deficiencies, and (iii) 46 solutions have
been proposed, either to address specific TD types, antipatterns, or TD in
general. Conclusions: Our results can support AI professionals with reasoning
about and communicating aspects of TD present in their systems. Additionally,
they can serve as a foundation for future research to further our understanding
of TD in AI-based systems.
- Abstract（参考訳）: 背景: 人工知能(AI)の普及に伴い、コスト効率と管理可能な方法で大規模で複雑なAIベースのシステムを構築する必要性が高まっている。
従来のソフトウェアと同様に、技術的負債(td)は時間とともに自然に発生するため、適切に管理されていない場合の課題やリスクにつながる。
データサイエンスの影響とAIベースのシステムの確率的性質は、研究者や実践者がまだ完全に理解していない新しいタイプのTDやアンチパターンにつながる可能性がある。
目的:本研究の目的は、AIベースのシステムに現れるTD(確立されたものと新しいものの両方)と、提案されているアンチパターンおよび関連するソリューションの明確な概要と特徴を提供することである。
方法:システマティックマッピング研究のプロセスに従って,21の一次研究を同定し,分析する。
結果: (i) 確立されたtdタイプ, バリエーション, および4つの新しいtdタイプ (データ, モデル, 構成, 倫理的負債) がaiベースのシステムに存在すること, (ii) 72のアンチパターンが文献で議論されていること, (iii) 特定のtdタイプ, アンチパターン, 一般にtdに対応するための46のソリューションが提案されている。
結論:私たちの結果は、システムに存在するTDの側面を推論し、伝達することで、AI専門家をサポートすることができます。
さらに、AIベースのシステムにおけるTDの理解を深めるために、将来の研究の基盤として機能する。
関連論文リスト
- AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - A Survey on Failure Analysis and Fault Injection in AI Systems [28.30817443151044]
AIシステムの複雑さは脆弱性を露呈し、レジリエンスと信頼性を確保するために、障害分析(FA)と障害注入(FI)の堅牢な方法を必要とする。
この研究は、AIシステムの6層にわたる既存のFAとFIのアプローチを詳細に調査することで、このギャップを埋める。
この結果から,AIシステム障害の分類,既存のFIツールの能力評価,実世界とシミュレーション失敗の相違点が明らかになった。
論文 参考訳（メタデータ） (2024-06-28T00:32:03Z) - Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する
AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。
本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
論文 参考訳（メタデータ） (2024-02-21T08:29:42Z) - Towards Cognitive AI Systems: a Survey and Prospective on Neuro-Symbolic
AI [33.0761784111292]
ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるための有望なパラダイムとして登場します。
近年のNSAIシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を実証している。
論文 参考訳（メタデータ） (2024-01-02T05:00:54Z) - Predictable Artificial Intelligence [77.1127726638209]
本稿では予測可能なAIのアイデアと課題を紹介する。
それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。
予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
論文 参考訳（メタデータ） (2023-10-09T21:36:21Z) - Unmasking Biases and Navigating Pitfalls in the Ophthalmic Artificial
Intelligence Lifecycle: A Review [3.1929071422400446]
この記事では、AIライフサイクルを7つのステップに分割する。
データ収集; モデルタスクの定義; データ前処理とラベル付け; モデル開発; モデル評価と検証; デプロイメント。
最後に、デプロイ後の評価、監視、システムリカレーションを行い、各ステップにおける害のリスクと、それらを緩和するための戦略を掘り下げます。
論文 参考訳（メタデータ） (2023-10-08T03:49:42Z) - Bridging MDE and AI: A Systematic Review of Domain-Specific Languages and Model-Driven Practices in AI Software Systems Engineering [1.4853133497896698]
本研究の目的は、AIソフトウェアシステムのエンジニアリングを支援するために、DSLに依存した既存のモデル駆動アプローチを検討することである。
AIにMDEを使うことはまだ初期段階にあり、広く使われているツールやメソッドはひとつもない。
論文 参考訳（メタデータ） (2023-07-10T14:38:38Z) - The Principles of Data-Centric AI (DCAI) [9.211953610948862]
新たな概念としてのデータ中心型AI(DCAI)は、データ、その品質、ダイナミズムを最前線にもたらす。
この記事では、DCAIの基礎を概説するために、データ中心の視点と概念をまとめます。
論文 参考訳（メタデータ） (2022-11-26T16:43:40Z) - Human-Centered AI for Data Science: A Systematic Approach [48.71756559152512]
HCAI(Human-Centered AI)は、さまざまなヒューマンタスクをサポートするAI技術の設計と実装を目的とした研究活動である。
データサイエンス(DS)に関する一連の研究プロジェクトを使ってHCAIにどのようにアプローチするかをケーススタディとして紹介する。
論文 参考訳（メタデータ） (2021-10-03T21:47:13Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。