論文の概要: Machine Learning Practices Outside Big Tech: How Resource Constraints Challenge Responsible Development

• arxiv url: http://arxiv.org/abs/2110.02932v1
• Date: Wed, 6 Oct 2021 17:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 16:51:39.573282
• Title: Machine Learning Practices Outside Big Tech: How Resource Constraints Challenge Responsible Development
• Title（参考訳）: ビッグデータ以外の機械学習の実践 - リソース制約は開発に責任を負うか
• Authors: Aspen Hopkins, Serena Booth
• Abstract要約: さまざまな職業やバックグラウンドを持つ機械学習実践者は、機械学習(ML)メソッドをますます活用している。 過去の研究では、より広く、よりリソースの少ないMLコミュニティを除外することが多い。 これらの実践者は、Big Techと同じようなML開発上の困難と倫理的な混乱の多くを共有しています。
• 参考スコア（独自算出の注目度）: 1.8275108630751844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Practitioners from diverse occupations and backgrounds are increasingly using machine learning (ML) methods. Nonetheless, studies on ML Practitioners typically draw populations from Big Tech and academia, as researchers have easier access to these communities. Through this selection bias, past research often excludes the broader, lesser-resourced ML community -- for example, practitioners working at startups, at non-tech companies, and in the public sector. These practitioners share many of the same ML development difficulties and ethical conundrums as their Big Tech counterparts; however, their experiences are subject to additional under-studied challenges stemming from deploying ML with limited resources, increased existential risk, and absent access to in-house research teams. We contribute a qualitative analysis of 17 interviews with stakeholders from organizations which are less represented in prior studies. We uncover a number of tensions which are introduced or exacerbated by these organizations' resource constraints -- tensions between privacy and ubiquity, resource management and performance optimization, and access and monopolization. Increased academic focus on these practitioners can facilitate a more holistic understanding of ML limitations, and so is useful for prescribing a research agenda to facilitate responsible ML development for all.
• Abstract（参考訳）: 多様な職業やバックグラウンドを持つ実践者は、機械学習(ML)メソッドの利用が増えている。 それでも、ML実践者の研究は、研究者がこれらのコミュニティにアクセスしやすいため、一般的にはビッグテックやアカデミックから人口を引き出す。 この選択バイアスを通じて、過去の研究は、例えばスタートアップ、非テック企業、公共部門で働く実践者など、より広範な、より少ないリソースのmlコミュニティを除外することが多い。 これらの実践者は、Big Techと同じようなML開発上の困難と倫理的な混乱の多くを共有しているが、彼らの経験は、限られたリソースでMLをデプロイすること、生存リスクの増大、社内調査チームへのアクセス不足など、さらに過小評価された課題にさらされている。 先行研究に代表されない団体の利害関係者17名に対するインタビューの質的分析に貢献する。 これらの組織のリソース制約 - プライバシとユビキタス間の緊張、リソース管理とパフォーマンスの最適化、アクセスと独占など - によって導入された、あるいは悪化する多くの緊張関係を明らかにする。 これらの実践者に対する学術的関心の高まりは、MLの制限に関するより包括的な理解を促進することができるため、責任あるML開発を促進するための研究アジェンダを規定するのに有用である。

関連論文リスト

• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• A Multivocal Review of MLOps Practices, Challenges and Open Issues [9.227450931458907]
  MLOpsに関する総合的な知識を提供するため,150の学術研究と48のグレー文学の多言語文献レビュー(MLR)を実施している。 複雑なパイプラインの開発と運用、大規模生産の管理、アーティファクトの管理、品質、セキュリティ、ガバナンス、倫理的側面の確保など、さまざまな分野に関するMLOpsのプラクティスや採用課題、ソリューションの出現を特定します。
  論文  参考訳（メタデータ） (2024-06-14T05:47:13Z)
• A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
  大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。 本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。 本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
  論文  参考訳（メタデータ） (2023-08-22T13:30:37Z)
• SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models [70.5763210869525]
  拡張ベンチマークスイートSciBench for Large Language Model (LLM)を導入する。 SciBenchには、数学、化学、物理学の分野から、さまざまな大学レベルの科学的問題を含むデータセットが含まれている。 その結果、現在のLLMは満足のいく性能を達成できないことが判明し、全体のスコアは43.22%に過ぎなかった。
  論文  参考訳（メタデータ） (2023-07-20T07:01:57Z)
• Towards machine learning guided by best practices [0.0]
  機械学習(ML)は、医学からソフトウェア工学(SE)まで、複数の応用分野を持つソフトウェアシステムで使われている。 この論文は、SEコミュニティの実践者や研究者が使用し議論するプラクティスを理解するのに役立つ研究の質問に答えることを目的としている。
  論文  参考訳（メタデータ） (2023-04-29T10:58:37Z)
• REAL ML: Recognizing, Exploring, and Articulating Limitations of Machine Learning Research [19.71032778307425]
  制限に関する透明性は、研究の厳格さを改善し、研究結果の適切な解釈を確実にし、研究の主張をより信頼できるものにするのに役立つ。 これらの利点にもかかわらず、機械学習(ML)研究コミュニティは、制限の開示と議論に関して、十分に発達した規範を欠いている。 機械学習の研究者が研究の限界を認識し、探索し、明確化するのに役立つ一連のガイド付きアクティビティであるREAL MLを開発するために、30人のMLおよびML隣接研究者による反復的な設計プロセスを実行します。
  論文  参考訳（メタデータ） (2022-05-05T15:32:45Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)
• Machine Learning Application Development: Practitioners' Insights [18.114724750441724]
  MLアプリケーション開発の課題とベストプラクティスを理解することを目的とした調査について報告する。 80人の実践者から得られた結果を17の発見にまとめ、MLアプリケーション開発の課題とベストプラクティスを概説する。 報告された課題が、MLベースのアプリケーションのエンジニアリングプロセスと品質を改善するために調査すべきトピックについて、研究コミュニティに知らせてくれることを期待しています。
  論文  参考訳（メタデータ） (2021-12-31T03:38:37Z)
• Understanding the Usability Challenges of Machine Learning In High-Stakes Decision Making [67.72855777115772]
  機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。 多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。 児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
  論文  参考訳（メタデータ） (2021-03-02T22:50:45Z)
• Machine Learning Towards Intelligent Systems: Applications, Challenges, and Opportunities [8.68311678910946]
  機械学習(ML)は、人間が大量のデータを処理するためのメカニズムを提供する。 このレビューは教育、医療、ネットワークセキュリティ、銀行と金融、ソーシャルメディアといった分野と応用に焦点を当てている。
  論文  参考訳（メタデータ） (2021-01-11T01:32:15Z)
• Learnings from Frontier Development Lab and SpaceML -- AI Accelerators for NASA and ESA [57.06643156253045]
  AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。 我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。 FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
  論文  参考訳（メタデータ） (2020-11-09T21:23:03Z)

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。