論文の概要: SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT
- arxiv url: http://arxiv.org/abs/2207.08818v1
- Date: Mon, 18 Jul 2022 13:06:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 13:38:12.485930
- Title: SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT
- Title（参考訳）: SeLoC-ML: 産業用IoTにおける機械学習アプリケーションのためのセマンティックローコードエンジニアリング
- Authors: Haoyu Ren, Kirill Dorofeev, Darko Anicic, Youssef Hammad, Roland Eckl,
Thomas A. Runkler
- Abstract要約: 本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
- 参考スコア（独自算出の注目度）: 9.477629856092218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Things (IoT) is transforming the industry by bridging the gap
between Information Technology (IT) and Operational Technology (OT). Machines
are being integrated with connected sensors and managed by intelligent
analytics applications, accelerating digital transformation and business
operations. Bringing Machine Learning (ML) to industrial devices is an
advancement aiming to promote the convergence of IT and OT. However, developing
an ML application in industrial IoT (IIoT) presents various challenges,
including hardware heterogeneity, non-standardized representations of ML
models, device and ML model compatibility issues, and slow application
development. Successful deployment in this area requires a deep understanding
of hardware, algorithms, software tools, and applications. Therefore, this
paper presents a framework called Semantic Low-Code Engineering for ML
Applications (SeLoC-ML), built on a low-code platform to support the rapid
development of ML applications in IIoT by leveraging Semantic Web technologies.
SeLoC-ML enables non-experts to easily model, discover, reuse, and matchmake ML
models and devices at scale. The project code can be automatically generated
for deployment on hardware based on the matching results. Developers can
benefit from semantic application templates, called recipes, to fast prototype
end-user applications. The evaluations confirm an engineering effort reduction
by a factor of at least three compared to traditional approaches on an
industrial ML classification case study, showing the efficiency and usefulness
of SeLoC-ML. We share the code and welcome any contributions.
- Abstract（参考訳）: IoT(Internet of Things)は,IT(Information Technology)とOT(Operational Technology)のギャップを埋めることによって,業界を変革している。
マシンはコネクテッドセンサーと統合され、インテリジェントな分析アプリケーションによって管理され、デジタルトランスフォーメーションとビジネスオペレーションが加速している。
機械学習(ML)を産業機器に持ち込むことは、ITとOTの収束を促進することを目的とした進歩である。
しかし、産業用IoT(IIoT)におけるMLアプリケーションの開発には、ハードウェアの不均一性、MLモデルの非標準化表現、デバイスとMLモデルの互換性の問題、アプリケーション開発の遅さなど、さまざまな課題がある。
この領域でのデプロイメントの成功には、ハードウェア、アルゴリズム、ソフトウェアツール、アプリケーションに関する深い理解が必要です。
そこで本稿では,Semantic Web技術を活用したIIoTにおけるMLアプリケーションの迅速な開発を支援するために,ローコードプラットフォーム上に構築されたSemantic Low-Code Engineering for ML Applications(SeLoC-ML)というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化、発見、再利用、そして再利用することを可能にする。
プロジェクトコードは、一致する結果に基づいて、ハードウェア上にデプロイするために自動的に生成できる。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
本評価は,SeLoC-MLの有効性と有用性を示す産業用ML分類ケーススタディにおける従来の手法と比較して,少なくとも3つの要因による工学的労力削減を確認した。
コードを共有し、どんな貢献も歓迎します。
関連論文リスト
- MobileAIBench: Benchmarking LLMs and LMMs for On-Device Use Cases [81.70591346986582]
モバイル端末上でのLarge Language Models(LLM)とLarge Multimodal Models(LMM)を評価するためのベンチマークフレームワークであるMobileAIBenchを紹介する。
MobileAIBenchは、さまざまなサイズ、量子化レベル、タスクにわたるモデルを評価し、実際のデバイス上でのレイテンシとリソース消費を測定する。
論文 参考訳（メタデータ） (2024-06-12T22:58:12Z) - Quantum Computing Enhanced Service Ecosystem for Simulation in
Manufacturing [57.497038270123774]
本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。
我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
論文 参考訳（メタデータ） (2024-01-19T11:04:14Z) - CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。
我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。
CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
論文 参考訳（メタデータ） (2023-05-31T05:24:48Z) - 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) - TinyML: Tools, Applications, Challenges, and Future Research Directions [2.9398911304923456]
TinyMLは、安価でリソースに制約のあるデバイス上でのMLアプリケーションを可能にする、組み込み機械学習技術である。
この記事では、TinyML実装で利用可能なさまざまな方法についてレビューする。
論文 参考訳（メタデータ） (2023-03-23T15:29:48Z) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳（メタデータ） (2022-09-15T13:21:16Z) - 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) - How to Manage Tiny Machine Learning at Scale: An Industrial Perspective [5.384059021764428]
TinyML(TinyML)は、ユビキタスマイクロコントローラ上で機械学習(ML)が民主化され、広く普及している。
TinyMLモデルは異なる構造で開発されており、その動作原理を明確に理解せずに配布されることが多い。
本稿では,TinyMLモデルとIoTデバイスを大規模に管理するためのセマンティックWeb技術を用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-18T10:36:11Z) - 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) - ThingML+ Augmenting Model-Driven Software Engineering for the Internet
of Things with Machine Learning [4.511923587827301]
本稿では,ThingMLの方法論,モデリング言語,ツールサポートの拡張を目的とした研究プロジェクトであるML-Quadratの現況を紹介する。
多くの場合、IoT/CPSサービスにはシステムコンポーネントや物理プロセスが含まれています。
ストリーム処理と複合イベント処理、すなわちApache SAMOAとApamaに関して、コード生成のための2つのターゲットプラットフォームをサポートする予定です。
論文 参考訳（メタデータ） (2020-09-22T15:45:45Z) - 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。