論文の概要: Enabling Automated Machine Learning for Model-Driven AI Engineering

• arxiv url: http://arxiv.org/abs/2203.02927v1
• Date: Sun, 6 Mar 2022 10:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 15:17:23.544040
• Title: Enabling Automated Machine Learning for Model-Driven AI Engineering
• Title（参考訳）: モデル駆動AIエンジニアリングのための機械学習の自動化
• Authors: Armin Moin, Ukrit Wattanavaekin, Alexandra Lungu, Moharram Challenger, Atta Badii, Stephan G\"unnemann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.09869520679979
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing smart software services requires both Software Engineering and Artificial Intelligence (AI) skills. AI practitioners, such as data scientists often focus on the AI side, for example, creating and training Machine Learning (ML) models given a specific use case and data. They are typically not concerned with the entire software development life-cycle, architectural decisions for the system and performance issues beyond the predictive ML models (e.g., regarding the security, privacy, throughput, scalability, availability, as well as ethical, legal and regulatory compliance). In this manuscript, we propose a novel approach to enable Model-Driven Software Engineering and Model-Driven AI Engineering. In particular, we support Automated ML, thus assisting software engineers without deep AI knowledge in developing AI-intensive systems by choosing the most appropriate ML model, algorithm and techniques with suitable hyper-parameters for the task at hand. To validate our work, we carry out a case study in the smart energy domain.
• Abstract（参考訳）: スマートソフトウェアサービスの開発には、ソフトウェア工学と人工知能(ai)のスキルが必要です。 データサイエンティストのようなAI実践者は、特定のユースケースとデータに基づいて機械学習(ML)モデルの作成とトレーニングを行うなど、AI側に集中することが多い。 それらは一般的に、ソフトウェア開発ライフサイクル全体、システムに対するアーキテクチャ上の決定、予測可能なMLモデル(セキュリティ、プライバシ、スループット、スケーラビリティ、可用性、倫理的、法的、規制上のコンプライアンスなど)を超えたパフォーマンス上の問題に関心がない。 本稿では,モデル駆動型ソフトウェア工学とモデル駆動型AI工学を実現するための新しいアプローチを提案する。 特に、我々はAutomated MLをサポートし、AI集約システムを開発する際に、AIの深い知識のないソフトウェアエンジニアが、タスクに最適なハイパーパラメータを持つ最も適切なMLモデル、アルゴリズム、技術を選択することで支援する。 私たちの研究を検証するために、スマートエネルギー領域でケーススタディを実施します。

関連論文リスト

• Next-Gen Software Engineering: AI-Assisted Big Models [0.0]
  本稿では,ソフトウェア工学におけるモデルとAIの合成を容易にすることを目的とする。 本稿では,AI支援ソフトウェア工学の現状について概説する。 SEにおけるAI支援ビッグデータのビジョンは、両方のアプローチに固有のアドバンテージを活用することを目的としている。
  論文  参考訳（メタデータ） (2024-09-26T16:49:57Z)
• 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)
• AI in Software Engineering: A Survey on Project Management Applications [3.156791351998142]
  機械学習(ML)はデータセットでトレーニングを行うアルゴリズムを採用しており、特定のタスクを自律的に実行することができる。 AIは、特にプロジェクト管理と計画において、ソフトウェアエンジニアリングの分野で大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-07-27T23:02:24Z)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• A Model-Driven Engineering Approach to Machine Learning and Software Modeling [0.5156484100374059]
  モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。 主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
  論文  参考訳（メタデータ） (2021-07-06T15:50:50Z)
• Engineering an Intelligent Essay Scoring and Feedback System: An Experience Report [1.5168188294440734]
  専門的な採用支援サービスの顧客から提供されるエッセイの質を評価するための探索システムについて述べる。 オープンエンドの顧客提供のソーステキストがあいまいさとエラーのかなりの範囲を持っているため、問題領域は困難です。 また、専門的なビジネスドメイン知識をインテリジェントな処理システムに組み込む必要もあります。
  論文  参考訳（メタデータ） (2021-03-25T03:46:05Z)
• Explainable AI for Software Engineering [12.552048647904591]
  まず、ソフトウェアエンジニアリングにおける説明可能なAIの必要性を強調します。 次に、上記の課題に対処するために、説明可能なAI技術をどのように利用できるか、という3つのケーススタディを要約する。
  論文  参考訳（メタデータ） (2020-12-03T00:42:29Z)
• 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。