論文の概要: Active-Learning-as-a-Service: An Efficient MLOps System for Data-Centric AI

• arxiv url: http://arxiv.org/abs/2207.09109v1
• Date: Tue, 19 Jul 2022 07:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 14:31:21.192293
• Title: Active-Learning-as-a-Service: An Efficient MLOps System for Data-Centric AI
• Title（参考訳）: アクティブラーニング・アズ・ア・サービス:データ中心AIのための効率的なMLOpsシステム
• Authors: Yizheng Huang, Huaizheng Zhang, Yuanming Li, Chiew Tong Lau, Yang You
• Abstract要約: データ中心のAIでは、アクティブラーニング(AL)が重要な役割を果たすが、現在のALツールはALタスクを効率的に実行することはできない。 本稿では、AL(Active-Learning-as-a-Service)という、ALのための効率的なMLOpsシステムを提案する。
• 参考スコア（独自算出の注目度）: 11.132962726171842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of today's AI applications requires not only model training (Model-centric) but also data engineering (Data-centric). In data-centric AI, active learning (AL) plays a vital role, but current AL tools can not perform AL tasks efficiently. To this end, this paper presents an efficient MLOps system for AL, named ALaaS (Active-Learning-as-a-Service). Specifically, ALaaS adopts a server-client architecture to support an AL pipeline and implements stage-level parallelism for high efficiency. Meanwhile, caching and batching techniques are employed to further accelerate the AL process. In addition to efficiency, ALaaS ensures accessibility with the help of the design philosophy of configuration-as-a-service. It also abstracts an AL process to several components and provides rich APIs for advanced users to extend the system to new scenarios. Extensive experiments show that ALaaS outperforms all other baselines in terms of latency and throughput. Further ablation studies demonstrate the effectiveness of our design as well as ALaaS's ease to use. Our code is available at \url{https://github.com/MLSysOps/alaas}.
• Abstract（参考訳）: 今日のAIアプリケーションの成功には、モデルトレーニング(モデル中心)だけでなく、データエンジニアリング(データ中心)も必要です。 データ中心のAIでは、アクティブラーニング(AL)が重要な役割を果たすが、現在のALツールはALタスクを効率的に実行することはできない。 そこで本稿では,ALaaS(Active-Learning-as-a-Service)という,ALのための効率的なMLOpsシステムを提案する。 具体的には、alパイプラインをサポートするためにサーバクライアントアーキテクチャを採用し、高効率のためにステージレベルの並列処理を実装している。 一方、ALプロセスをさらに高速化するためにキャッシュとバッチ技術が使用される。 効率性に加えて、ALaaSはコンフィグレーション・アズ・ア・サービスの設計思想の助けを借りてアクセシビリティを保証する。 また、ALプロセスをいくつかのコンポーネントに抽象化し、高度なユーザが新しいシナリオにシステムを拡張するための豊富なAPIを提供する。 大規模な実験によると、ALaaSは他のすべてのベースラインよりもレイテンシとスループットが優れている。 さらなるアブレーション研究は、設計の有効性とALaaSの使いやすさを示しています。 私たちのコードは \url{https://github.com/MLSysOps/alaas} で利用可能です。

関連論文リスト

• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• Accelerated Cloud for Artificial Intelligence (ACAI) [24.40451195277244]
  我々は、エンドツーエンドのクラウドベースの機械学習プラットフォームであるAccelerated Cloud for AI (ACAI)を提案する。 ACAIは、インデックス付き、ラベル付き、検索可能なデータのクラウドストレージと、自動リソースプロビジョニング、ジョブスケジューリング、実験追跡を可能にする。 自動プロビジョン装置は1.7倍のスピードアップと39%のコスト削減を実現し,典型的なMLのユースケースにおいて,ML科学者の実験時間を20%短縮することを示した。
  論文  参考訳（メタデータ） (2024-01-30T07:09:48Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
  画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。 私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。 近年のAL法と比較すると,最先端の結果が得られている。
  論文  参考訳（メタデータ） (2023-01-04T10:52:02Z)
• ezDPS: An Efficient and Zero-Knowledge Machine Learning Inference Pipeline [2.0813318162800707]
  我々は,新しい効率的かつゼロ知識の機械学習推論スキームであるezDPSを提案する。 ezDPSはzkMLパイプラインで、データを複数のステージで高精度に処理する。 ezDPSは,全測定値における一般的な回路ベース手法よりも1～3桁効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-12-11T06:47:28Z)
• Active Learning Framework to Automate NetworkTraffic Classification [0.0]
  この話題に対処するための新しいActiveLearning Framework(ALF)を提案する。 ALFは、アクティブラーニングループのデプロイと、データセットとMLモデルを継続的に進化させるALFインスタンスのメンテナンスに使用できるコンポーネントを提供する。 その結果,高速(100Gb/s)ネットワークのIPフローに基づく解析が可能となった。
  論文  参考訳（メタデータ） (2022-10-26T10:15:18Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• MetAL: Active Semi-Supervised Learning on Graphs via Meta Learning [2.903711704663904]
  分類モデルの将来の性能を直接改善する未ラベルのインスタンスを選択するためのALアプローチであるMetALを提案する。 我々は、MetALが既存の最先端ALアルゴリズムより効率良く優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-22T06:59:49Z)
• IALE: Imitating Active Learner Ensembles [1.8655840060559172]
  本研究では,アクティブな学習サイクルの各段階において,最高の専門家の選択を模倣する模倣学習手法を提案する。 DAGGERを使用して、データセット上でポリシーをトレーニングし、その後、同様のドメインのデータセットに適用します。
  論文  参考訳（メタデータ） (2020-07-09T08:38:10Z)

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。