論文の概要: Machine Learning Application Development: Practitioners' Insights
- arxiv url: http://arxiv.org/abs/2112.15277v1
- Date: Fri, 31 Dec 2021 03:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 15:46:56.546786
- Title: Machine Learning Application Development: Practitioners' Insights
- Title（参考訳）: 機械学習アプリケーション開発:実践者の洞察
- Authors: Md Saidur Rahman, Foutse Khomh, Alaleh Hamidi, Jinghui Cheng, Giuliano
Antoniol and Hironori Washizaki
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.114724750441724
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Nowadays, intelligent systems and services are getting increasingly popular
as they provide data-driven solutions to diverse real-world problems, thanks to
recent breakthroughs in Artificial Intelligence (AI) and Machine Learning (ML).
However, machine learning meets software engineering not only with promising
potentials but also with some inherent challenges. Despite some recent research
efforts, we still do not have a clear understanding of the challenges of
developing ML-based applications and the current industry practices. Moreover,
it is unclear where software engineering researchers should focus their efforts
to better support ML application developers. In this paper, we report about a
survey that aimed to understand the challenges and best practices of ML
application development. We synthesize the results obtained from 80
practitioners (with diverse skills, experience, and application domains) into
17 findings; outlining challenges and best practices for ML application
development. Practitioners involved in the development of ML-based software
systems can leverage the summarized best practices to improve the quality of
their system. We hope that the reported challenges will inform the research
community about topics that need to be investigated to improve the engineering
process and the quality of ML-based applications.
- Abstract（参考訳）: 今日、人工知能(AI)と機械学習(ML)の最近のブレークスルーのおかげで、さまざまな現実世界の問題に対するデータ駆動ソリューションを提供することで、インテリジェントなシステムやサービスがますます人気を集めています。
しかし、機械学習は、有望な可能性だけでなく、いくつかの固有の課題ともソフトウェアエンジニアリングを満たしている。
最近の研究努力にもかかわらず、MLベースのアプリケーションを開発することの課題と現在の業界プラクティスについて、まだ明確には理解していません。
さらに、ソフトウェアエンジニアリング研究者がmlアプリケーション開発者をより良くサポートするための努力をどこに集中すべきかは不明だ。
本稿では,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(多様なスキル、経験、アプリケーションドメインを持つ)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における課題とベストプラクティスの概要を述べる。
mlベースのソフトウェアシステムの開発に携わる実践者は、システムの品質を改善するために要約されたベストプラクティスを活用できる。
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。
関連論文リスト
- Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - 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) - Naming the Pain in Machine Learning-Enabled Systems Engineering [8.092979562919878]
機械学習(ML)対応システムは、企業によってますます採用されている。
本稿では,ML対応システムの現状を概観する。
論文 参考訳（メタデータ） (2024-05-20T06:59:20Z) - Achieving Guidance in Applied Machine Learning through Software
Engineering Techniques [0.0]
現在開発環境とML APIを使用しており、MLアプリケーションの開発者に提供しています。
現在のMLツールは、いくつかの基本的なソフトウェアエンジニアリングのゴールドスタンダードを満たすには足りません。
この結果から,ML固有のソフトウェア工学の研究に十分な機会があることが示唆された。
論文 参考訳（メタデータ） (2022-03-29T12:54:57Z) - 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) - 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 Model Development from a Software Engineering
Perspective: A Systematic Literature Review [0.0]
データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。
本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
論文 参考訳（メタデータ） (2021-02-15T14:25:13Z) - 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) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳（メタデータ） (2020-11-07T11:06:28Z) - 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。