論文の概要: Quality Assurance Challenges for Machine Learning Software Applications During Software Development Life Cycle Phases

• arxiv url: http://arxiv.org/abs/2105.01195v1
• Date: Mon, 3 May 2021 22:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 23:33:16.196182
• Title: Quality Assurance Challenges for Machine Learning Software Applications During Software Development Life Cycle Phases
• Title（参考訳）: ソフトウェア開発ライフサイクルフェーズにおける機械学習ソフトウェアアプリケーションの品質保証課題
• Authors: Md Abdullah Al Alamin, Gias Uddin
• Abstract要約: 本稿では機械学習(ML)モデルの品質保証に関する文献の詳細なレビューを行う。 ソフトウェア開発ライフサイクル(SDLC)の異なる段階にまたがる様々なML導入課題をマッピングすることで、MLSA品質保証問題の分類法を開発する。 このマッピングは、MLモデルの採用が重要であると考えられるMLSAの品質保証の取り組みを優先するのに役立ちます。
• 参考スコア（独自算出の注目度）: 1.4213973379473654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past decades, the revolutionary advances of Machine Learning (ML) have shown a rapid adoption of ML models into software systems of diverse types. Such Machine Learning Software Applications (MLSAs) are gaining importance in our daily lives. As such, the Quality Assurance (QA) of MLSAs is of paramount importance. Several research efforts are dedicated to determining the specific challenges we can face while adopting ML models into software systems. However, we are aware of no research that offered a holistic view of the distribution of those ML quality assurance challenges across the various phases of software development life cycles (SDLC). This paper conducts an in-depth literature review of a large volume of research papers that focused on the quality assurance of ML models. We developed a taxonomy of MLSA quality assurance issues by mapping the various ML adoption challenges across different phases of SDLC. We provide recommendations and research opportunities to improve SDLC practices based on the taxonomy. This mapping can help prioritize quality assurance efforts of MLSAs where the adoption of ML models can be considered crucial.
• Abstract（参考訳）: 過去数十年間、機械学習(ML)の革命的な進歩は、さまざまなタイプのソフトウェアシステムにMLモデルが急速に採用されていることを示している。 このような機械学習ソフトウェアアプリケーション(MLSA)は、私たちの日常生活において重要になっています。 そのため、MLSAの品質保証(QA)が最重要事項である。 いくつかの研究努力は、ソフトウェアシステムにMLモデルを採用する際に直面する具体的な課題を決定することに集中しています。 しかし、ソフトウェア開発ライフサイクル(SDLC)の様々な段階において、これらのML品質保証課題の分布に関する全体像を提示する研究は、全く知られていない。 本稿では,MLモデルの品質保証に着目した大量の研究論文について,詳細な文献レビューを行う。 SDLCの様々な段階にわたるML導入課題をマッピングし,MLSA品質保証問題の分類法を開発した。 分類に基づくSDLCの実践を改善するための勧告と研究の機会を提供する。 このマッピングは、mlモデルの採用が重要であると考えられるmlsasの品質保証作業の優先順位付けに役立つ。

関連論文リスト

• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Maintainability Challenges in ML: A Systematic Literature Review [5.669063174637433]
  本研究の目的は,機械学習ワークフローのさまざまな段階における保守性課題を特定し,合成することである。 13,000件以上の論文を審査し、56件を質的に分析した。
  論文  参考訳（メタデータ） (2024-08-17T13:24:15Z)
• A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
  MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。 本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
  論文  参考訳（メタデータ） (2024-08-02T15:14:53Z)
• SWITCH: An Exemplar for Evaluating Self-Adaptive ML-Enabled Systems [1.2277343096128712]
  QoS(Quality of Service)の維持にはMLS(Machine Learning-Enabled Systems)が不可欠である 機械学習モデルバランサ(Machine Learning Model Balancer)は、動的MLモデルの切り替えを容易にすることで、これらの不確実性に対処する概念である。 本稿では,このようなシステムにおける自己適応能力を高めるために開発されたSWITCHを紹介する。
  論文  参考訳（メタデータ） (2024-02-09T11:56:44Z)
• Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware Model Switching [1.2277343096128712]
  本稿では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。 AdaMLSは、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法である。 予備的な結果は、AdaMLSが保証において、単純で単一の最先端モデルを上回ることを示唆している。
  論文  参考訳（メタデータ） (2023-08-19T09:33:51Z)
• Quality Issues in Machine Learning Software Systems [10.103134260637402]
  機械学習ソフトウェアシステムの品質を保証するためには、強いニーズがある。 本稿では,実践者の視点から,MLSSにおける実際の品質問題の特徴について考察する。 我々は18の反復的な品質問題と21の戦略を特定し、それらを緩和する。
  論文  参考訳（メタデータ） (2023-06-26T18:46:46Z)
• Quality issues in Machine Learning Software Systems [12.655311590103238]
  本稿では,実践者の視点から,MLSSにおける実際の品質問題の特徴について考察する。 このステップで開発された問題のカタログは、後にMLSSの品質問題に対する重症度、根本原因、および治療の可能性を特定するのにも役立ちそうです。
  論文  参考訳（メタデータ） (2022-08-18T17:55:18Z)
• 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)
• Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
  自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。 一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。 我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
  論文  参考訳（メタデータ） (2021-06-09T05:56:42Z)
• 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)

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。