論文の概要: Formal Methods for the Informal Engineer: Workshop Recommendations

• arxiv url: http://arxiv.org/abs/2104.00739v1
• Date: Thu, 1 Apr 2021 19:22:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 02:23:09.247521
• Title: Formal Methods for the Informal Engineer: Workshop Recommendations
• Title（参考訳）: インフォーマルエンジニアのためのフォーマルメソッド:ワークショップ勧告
• Authors: Gopal Sarma, James Koppel, Gregory Malecha, Patrick Schultz, Eric Drexler, Ramana Kumar, Cody Roux, and Philip Zucker
• Abstract要約: FMIEの組織化の動機は、生命科学と医学がソフトウェアの受動的消費者から新しいプラットフォームの基本的なドライバへと移行しつつあるという認識であった。 ソフトウェアリーダーが正式な手法からプロジェクト計画と開発軌道にツール、テクニック、視点を有機的に組み込むのに役立つ5つの具体的な推奨事項があります。
• 参考スコア（独自算出の注目度）: 1.7425880920540053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Formal Methods for the Informal Engineer (FMIE) was a workshop held at the Broad Institute of MIT and Harvard in 2021 to explore the potential role of verified software in the biomedical software ecosystem. The motivation for organizing FMIE was the recognition that the life sciences and medicine are undergoing a transition from being passive consumers of software and AI/ML technologies to fundamental drivers of new platforms, including those which will need to be mission and safety-critical. Drawing on conversations leading up to and during the workshop, we make five concrete recommendations to help software leaders organically incorporate tools, techniques, and perspectives from formal methods into their project planning and development trajectories.
• Abstract（参考訳）: Formal Methods for the Informal Engineer (FMIE) は、バイオメディカルソフトウェアエコシステムにおける検証済みソフトウェアの役割を探るため、2021年にMITとハーバードのブロード研究所で開かれたワークショップである。 FMIEの組織化の動機は、生命科学と医学が、ソフトウェアとAI/ML技術の受動的消費者から、ミッションと安全に欠かせないものを含む新しいプラットフォームの基本的なドライバへと移行している、という認識であった。 ワークショップの前後の会話に基づいて、私たちは5つの具体的なアドバイスを行い、ソフトウェアリーダーがツールやテクニック、形式的なメソッドから視点をプロジェクト計画や開発軌道に組み込むのを支援します。

関連論文リスト

• Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
  近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。 実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。 この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
  論文  参考訳（メタデータ） (2024-10-28T09:34:08Z)
• Charting a Path to Efficient Onboarding: The Role of Software Visualization [49.1574468325115]
  本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。 本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
  論文  参考訳（メタデータ） (2024-01-17T21:30:45Z)
• Utilizing Online and Open-Source Machine Learning Toolkits to Leverage the Future of Sustainable Engineering [8.641860292533023]
  Edge Impulseは、TinyMLに対応したオープンソースのArduino教育ツールキットを設計した。 本稿では,MLツールキットを教室で活用するために工学教育者が行った様々な応用とアプローチについて論じる。
  論文  参考訳（メタデータ） (2023-04-21T17:50:21Z)
• Constrained Reinforcement Learning for Robotics via Scenario-Based Programming [64.07167316957533]
  DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。 本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。 我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
  論文  参考訳（メタデータ） (2022-06-20T07:19:38Z)
• 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)
• Towards Productizing AI/ML Models: An Industry Perspective from Data Scientists [10.27276267081559]
  AI/MLモデルから生産可能なAIベースのシステムへの移行は、データサイエンティストとソフトウェアエンジニアの両方にとって課題です。 本稿では,この移行が実践者によってどのように認識されるかを理解するため,コンサルティング会社におけるワークショップの結果を報告する。
  論文  参考訳（メタデータ） (2021-03-18T22:25:44Z)
• 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)
• 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)
• 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)

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。