論文の概要: An Empirical Evaluation of Flow Based Programming in the Machine
Learning Deployment Context
- arxiv url: http://arxiv.org/abs/2204.12781v1
- Date: Wed, 27 Apr 2022 09:08:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 14:21:13.779078
- Title: An Empirical Evaluation of Flow Based Programming in the Machine
Learning Deployment Context
- Title(参考訳): 機械学習展開文脈におけるフローベースプログラミングの実証評価
- Authors: Andrei Paleyes, Christian Cabrera, Neil D. Lawrence
- Abstract要約: データ指向アーキテクチャ(DOA)は,課題に対処する上で,データサイエンティストやソフトウェア開発者を支援する,新たなアプローチである。
本稿では,フローベースプログラミング(FBP)をDOAアプリケーション作成のパラダイムとして考える。
我々は、典型的なデータサイエンスプロジェクトを表す4つのアプリケーション上で、MLデプロイメントの文脈において、FBPを実証的に評価する。
- 参考スコア(独自算出の注目度): 11.028123436097616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As use of data driven technologies spreads, software engineers are more often
faced with the task of solving a business problem using data-driven methods
such as machine learning (ML) algorithms. Deployment of ML within large
software systems brings new challenges that are not addressed by standard
engineering practices and as a result businesses observe high rate of ML
deployment project failures. Data Oriented Architecture (DOA) is an emerging
approach that can support data scientists and software developers when
addressing such challenges. However, there is a lack of clarity about how DOA
systems should be implemented in practice. This paper proposes to consider
Flow-Based Programming (FBP) as a paradigm for creating DOA applications. We
empirically evaluate FBP in the context of ML deployment on four applications
that represent typical data science projects. We use Service Oriented
Architecture (SOA) as a baseline for comparison. Evaluation is done with
respect to different application domains, ML deployment stages, and code
quality metrics. Results reveal that FBP is a suitable paradigm for data
collection and data science tasks, and is able to simplify data collection and
discovery when compared with SOA. We discuss the advantages of FBP as well as
the gaps that need to be addressed to increase FBP adoption as a standard
design paradigm for DOA.
- Abstract(参考訳): データ駆動技術が普及するにつれて、ソフトウェアエンジニアは機械学習(ML)アルゴリズムのようなデータ駆動手法を使用してビジネス問題を解決するタスクに直面していることが多い。
大規模なソフトウェアシステムへのMLのデプロイは、標準的なエンジニアリングプラクティスによって対処されない新たな課題をもたらし、結果として、ビジネスはMLデプロイメントプロジェクトの失敗の頻度を観察する。
データ指向アーキテクチャ(DOA、Data Oriented Architecture)は、データサイエンティストやソフトウェア開発者を支援する新しいアプローチである。
しかし、DOAシステムが実際にどのように実装されるべきかについては明確になっていない。
本稿では,フローベースプログラミング(FBP)をDOAアプリケーション作成のパラダイムとして考える。
我々は、典型的なデータサイエンスプロジェクトを表す4つのアプリケーション上で、MLデプロイメントの文脈において、FBPを実証的に評価する。
サービス指向アーキテクチャ(SOA)をベースラインとして使用しています。
評価は、さまざまなアプリケーションドメイン、MLデプロイメントステージ、コード品質メトリクスに関して行われます。
その結果、FBPはデータ収集やデータサイエンスのタスクに適したパラダイムであり、SOAと比較するとデータ収集と発見をシンプルにすることができます。
DOAの標準設計パラダイムとしてFBPの採用を促進するために、FBPの利点と対処すべきギャップについて論じる。
関連論文リスト
- Wildest Dreams: Reproducible Research in Privacy-preserving Neural
Network Training [2.853180143237022]
この作業は、ユーザデータのプライバシを維持することが最も重要であるMLモデルのトレーニングフェーズに重点を置いている。
我々は、現在のアプローチの理解を容易にする、しっかりとした理論的背景を提供する。
我々は,いくつかの論文の成果を再現し,その分野における既存の研究がオープンサイエンスを支援するレベルについて検討する。
論文 参考訳(メタデータ) (2024-03-06T10:25:36Z) - Towards Generating Executable Metamorphic Relations Using Large Language
Models [49.632090604977364]
大規模言語モデル(LLM)を用いた要件から実行可能なMRを自動的に抽出する手法を提案する。
提案手法の有効性を評価するため,シーメンス・インダストリー・ソフトウェアと共同で質問紙調査を行った。
論文 参考訳(メタデータ) (2024-01-30T13:52:47Z) - Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement
Learning Approach [58.911515417156174]
我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。
本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。
また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
論文 参考訳(メタデータ) (2023-12-01T01:30:49Z) - Benchmarking Large Language Models As AI Research Agents [105.65277755304277]
我々は,AI研究エージェントをベンチマークするMLタスクスイートであるMLAgentBenchを提案する。
我々は, GPT-4をベースとした研究エージェントが, MLAgentBenchの多くのタスクにおいて, 魅力的なMLモデルを構築できることを発見した。
長期計画や幻覚など,LSMをベースとした研究エージェントにとって重要な課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-10-05T04:06:12Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - 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) - 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) - Real-world Machine Learning Systems: A survey from a Data-Oriented
Architecture Perspective [7.574538335342942]
データ指向アーキテクチャ(DOA、Data-oriented Architecture)は、MLモデルを統合する上で、システムにより良いものを提供する新しい概念である。
DOAは、現在のアーキテクチャを拡張して、データ駆動、疎結合、分散化されたオープンシステムを作成する。
本稿では,MLベースのシステムの実環境展開を調査し,これらの疑問に答える。
論文 参考訳(メタデータ) (2023-02-09T17:57:02Z) - Utilizing Domain Knowledge: Robust Machine Learning for Building Energy
Prediction with Small, Inconsistent Datasets [1.1081836812143175]
機械学習(ML)アプリケーションに対する膨大なデータ需要は、現在ボトルネックとなっている。
本稿では,先行知識とデータ駆動手法を組み合わせることで,データの依存性を大幅に低減する手法を提案する。
知識符号化データ駆動手法としてCBMLをエネルギー効率の高い建築工学の文脈で検討する。
論文 参考訳(メタデータ) (2023-01-23T08:56:11Z) - 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) - 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)
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。