論文の概要: Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars

• arxiv url: http://arxiv.org/abs/2111.14142v1
• Date: Sun, 28 Nov 2021 13:40:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 18:11:35.688277
• Title: Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars
• Title（参考訳）: Software 2.0のアジリティ - ノートブックインターフェースとボタンとリバーを備えたMLOps
• Authors: Markus Borg
• Abstract要約: 本稿では,機械学習開発の基本となる2つの現代的発展現象について論じる。 まず、統合開発環境への容易な移行をサポートすることにより、ノートブックにおける作業の本質的な弱点を解消できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。
• 参考スコア（独自算出の注目度）: 9.327920030279586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence through machine learning is increasingly used in the digital society. Solutions based on machine learning bring both great opportunities, thus coined "Software 2.0," but also great challenges for the engineering community to tackle. Due to the experimental approach used by data scientists when developing machine learning models, agility is an essential characteristic. In this keynote address, we discuss two contemporary development phenomena that are fundamental in machine learning development, i.e., notebook interfaces and MLOps. First, we present a solution that can remedy some of the intrinsic weaknesses of working in notebooks by supporting easy transitions to integrated development environments. Second, we propose reinforced engineering of AI systems by introducing metaphorical buttresses and rebars in the MLOps context. Machine learning-based solutions are dynamic in nature, and we argue that reinforced continuous engineering is required to quality assure the trustworthy AI systems of tomorrow.
• Abstract（参考訳）: 機械学習による人工知能は、デジタル社会でますます使われている。 機械学習に基づくソリューションは、両方の大きな機会をもたらし、"Software 2.0"とよばれるだけでなく、エンジニアリングコミュニティが取り組むべき大きな課題も生み出します。 データサイエンティストが機械学習モデルを開発する際に使用する実験的なアプローチのため、アジリティは重要な特徴である。 この基調講演では,機械学習開発の基本となる2つの現代的開発現象,すなわちノートブックインターフェースとMLOpsについて論じる。 まず,統合開発環境への容易な移行をサポートすることにより,ノートブック作業の本質的な弱点を解決できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。 マシンラーニングベースのソリューションは本質的に動的であり、強化された継続的エンジニアリングは、明日の信頼できるAIシステムの品質を保証するために必要である、と私たちは主張する。

関連論文リスト

• Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
  提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。 結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
  論文  参考訳（メタデータ） (2024-10-28T13:03:09Z)
• Innovating for Tomorrow: The Convergence of SE and Green AI [2.013374581642707]
  機械学習は、既存のソフトウェアエンジニアリングプロセスのフロンティアを変えつつある。 我々は、環境に優しいプラクティスを採用してAI対応のソフトウェアシステムを構築することの影響を反映する。
  論文  参考訳（メタデータ） (2024-06-26T07:47:04Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
  この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。 欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
  論文  参考訳（メタデータ） (2022-12-10T07:49:50Z)
• 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)
• Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
  モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。 大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。 まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。 次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
  論文  参考訳（メタデータ） (2021-03-10T20:10:53Z)
• 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)
• Advancing from Predictive Maintenance to Intelligent Maintenance with AI and IIoT [0.0]
  本稿は、過去90年間の信頼性モデリング技術の進化を概観し、産業と学術で開発された主要な技術について論じる。 次に、Intelligent maintenanceという次世代のメンテナンスフレームワークを紹介し、その重要なコンポーネントについて議論します。 このAIおよびIIoTベースのインテリジェントメンテナンスフレームワークは、(1)ディープラーニングによる確率的信頼性モデリングを含む最新の機械学習アルゴリズム、(2)ワイヤレススマートセンサーによるリアルタイムデータ収集、転送、ストレージ、(3)ビッグデータ技術、(4)機械学習モデルの継続的インテグレーションとデプロイ、(5)モバイルデバイスとAR/VRアプリケーションの分野における高速かつより良い意思決定を含む。
  論文  参考訳（メタデータ） (2020-09-01T11:10:13Z)
• 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)
• Quality Management of Machine Learning Systems [0.0]
  機械学習(ML)技術の大きな進歩により、人工知能(AI)は私たちの日常生活の一部になっています。 ビジネス/ミッションクリティカルなシステムでは、AIアプリケーションの信頼性と保守性に関する深刻な懸念が残っている。 本稿では,MLアプリケーションのための総合的な品質管理フレームワークの展望について述べる。
  論文  参考訳（メタデータ） (2020-06-16T21:34:44Z)

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。