論文の概要: Looper: An end-to-end ML platform for product decisions
- arxiv url: http://arxiv.org/abs/2110.07554v1
- Date: Thu, 14 Oct 2021 17:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 13:20:32.583362
- Title: Looper: An end-to-end ML platform for product decisions
- Title(参考訳): Looper: 製品決定のためのエンドツーエンドのMLプラットフォーム
- Authors: Igor L. Markov, Hanson Wang, Nitya Kasturi, Shaun Singh, Sze Wai Yuen,
Mia Garrard, Sarah Tran, Yin Huang, Zehui Wang, Igor Glotov, Tanvi Gupta,
Boshuang Huang, Peng Chen, Xiaowen Xie, Michael Belkin, Sal Uryasev, Sam
Howie, Eytan Bakshy, Norm Zhou
- Abstract要約: 意思決定とフィードバック収集に使いやすいAPIを提供する、特定のエンドツーエンドのMLプラットフォームであるLooperについて説明する。
Looperは、オンラインデータ収集からモデルトレーニング、デプロイメント、推論、製品目標に対する評価とチューニングのサポートまで、エンドツーエンドのMLライフサイクルを完全にサポートする。
- 参考スコア(独自算出の注目度): 9.062868006821484
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern software systems and products increasingly rely on machine learning
models to make data-driven decisions based on interactions with users and
systems, e.g., compute infrastructure. For broader adoption, this practice must
(i) accommodate software engineers without ML backgrounds, and (ii) provide
mechanisms to optimize for product goals. In this work, we describe general
principles and a specific end-to-end ML platform, Looper, which offers
easy-to-use APIs for decision-making and feedback collection. Looper supports
the full end-to-end ML lifecycle from online data collection to model training,
deployment, inference, and extends support to evaluation and tuning against
product goals. We outline the platform architecture and overall impact of
production deployment. We also describe the learning curve and summarize
experiences from platform adopters.
- Abstract(参考訳): 現代のソフトウェアシステムや製品は、コンピューティングインフラストラクチャなど、ユーザやシステムとのインタラクションに基づいてデータ駆動の意思決定を行うために、ますます機械学習モデルに依存しています。
広く採用するためには、この慣行は
(i)MLのバックグラウンドのないソフトウェアエンジニアに対応し、
(ii)製品目標を最適化するメカニズムを提供する。
本稿では、一般的な原則と、意思決定とフィードバック収集のための使いやすいAPIを提供する、特定のエンドツーエンドMLプラットフォームであるLooperについて説明する。
Looperは、オンラインデータ収集からモデルトレーニング、デプロイメント、推論、製品目標に対する評価とチューニングのサポートまで、エンドツーエンドのMLライフサイクルを完全にサポートする。
プラットフォームアーキテクチャと製品展開の全体的な影響について概説します。
また、学習曲線を説明し、プラットフォーム導入者の経験を要約する。
関連論文リスト
- Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - 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) - Reasonable Scale Machine Learning with Open-Source Metaflow [2.637746074346334]
既存のツールを再購入しても、現在の生産性の問題は解決しない、と私たちは主張します。
私たちは、データ実践者の生産性を高めるために明示的に設計された、MLプロジェクトのためのオープンソースのフレームワークであるMetaflowを紹介します。
論文 参考訳(メタデータ) (2023-03-21T11:28:09Z) - Scalable End-to-End ML Platforms: from AutoML to Self-serve [1.6083110136760985]
MLプラットフォームは、インテリジェントなデータ駆動アプリケーションを実現し、限られたエンジニアリング努力でメンテナンスするのに役立つ。
このようなプラットフォームは、システム開発とメンテナンスの効率を改善しながら、より大きなコンポーネント再利用をもたらすスケールの経済に到達します。
広く採用されているエンドツーエンドのMLプラットフォームでは、スケーリングは、広く普及するML自動化と、セルフサービスと呼ばれる品質に到達するためのシステム統合に依存しています。
論文 参考訳(メタデータ) (2023-02-27T20:54:48Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳(メタデータ) (2022-10-24T10:59:29Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - 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) - Exploring the potential of flow-based programming for machine learning
deployment in comparison with service-oriented architectures [8.677012233188968]
理由のひとつは、データ収集と分析に関するアクティビティのために設計されていないインフラストラクチャである、と私たちは論じています。
本稿では,データストリームを用いたフローベースのプログラミングを,ソフトウェアアプリケーション構築に広く使用されるサービス指向アーキテクチャの代替として検討する。
論文 参考訳(メタデータ) (2021-08-09T15:06:02Z) - 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) - MLModelScope: A Distributed Platform for Model Evaluation and
Benchmarking at Scale [32.62513495487506]
機械学習(ML)とディープラーニング(DL)のイノベーションは急速に導入され、研究者はそれらを分析して研究することが難しくなっている。
ML/DL評価の標準化と提供方法の欠如とともに、イノベーションを評価するための複雑な手続きは、コミュニティにとって大きな「痛点」である。
本稿では,MLModelScopeを提案する。MLModelScopeは,フレームワークやハードウェアに依存しない,カスタマイズ可能な設計で,反復可能で公平でスケーラブルなモデル評価とベンチマークを可能にする。
論文 参考訳(メタデータ) (2020-02-19T17:13:01Z)
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。