論文の概要: MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat
- arxiv url: http://arxiv.org/abs/2209.07282v1
- Date: Thu, 15 Sep 2022 13:21:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:41:05.834313
- Title: MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat
- Title(参考訳): 機械学習可能なソフトウェアシステムのためのMDE:MontiAnnaとML-Quadratのケーススタディと比較
- Authors: J\"org Christian Kirchhof and Evgeny Kusmenko and Jonas Ritz and
Bernhard Rumpe and Armin Moin and Atta Badii and Stephan G\"unnemann and
Moharram Challenger
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.839906946900443
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we propose to adopt the MDE paradigm for the development of
Machine Learning (ML)-enabled software systems with a focus on the Internet of
Things (IoT) domain. We illustrate how two state-of-the-art open-source
modeling tools, namely MontiAnna and ML-Quadrat can be used for this purpose as
demonstrated through a case study. The case study illustrates using ML, in
particular deep Artificial Neural Networks (ANNs), for automated image
recognition of handwritten digits using the MNIST reference dataset, and
integrating the machine learning components into an IoT system. Subsequently,
we conduct a functional comparison of the two frameworks, setting out an
analysis base to include a broad range of design considerations, such as the
problem domain, methods for the ML integration into larger systems, and
supported ML methods, as well as topics of recent intense interest to the ML
community, such as AutoML and MLOps. Accordingly, this paper is focused on
elucidating the potential of the MDE approach in the ML domain. This supports
the ML engineer in developing the (ML/software) model rather than implementing
the code, and additionally enforces reusability and modularity of the design
through enabling the out-of-the-box integration of ML functionality as a
component of the IoT or cyber-physical systems.
- Abstract(参考訳): 本稿では,モノのインターネット(IoT)分野に着目した機械学習(ML)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。
この目的のために,montianna と ml-quadrat という2つの最先端のオープンソースモデリングツールが,ケーススタディで実証されている。
このケーススタディでは、ML、特にディープニューラルネットワーク(ANN)を使用して、MNIST参照データセットを使用して手書き桁の自動認識を行い、マシンラーニングコンポーネントをIoTシステムに統合する方法について説明している。
その後、我々は2つのフレームワークの機能比較を行い、問題領域、大規模システムへのML統合の方法、MLメソッドのサポートなど幅広い設計上の考慮事項を含む分析基盤を設定し、AutoMLやMLOpsといったMLコミュニティへの近年の関心の高まりについて論じる。
そこで本稿では,ML領域におけるMDEアプローチの可能性を明らかにすることを目的とした。
これは、コードを実装するのではなく、MLエンジニアが(ML/ソフトウェア)モデルを開発するのをサポートすると同時に、IoTやサイバー物理システムのコンポーネントとしてML機能を最初から統合可能にすることで、設計の再利用性とモジュール性も強化する。
関連論文リスト
- Large Multi-Modal Models (LMMs) as Universal Foundation Models for
AI-Native Wireless Systems [57.41621687431203]
大規模言語モデル (LLM) と基礎モデルは6Gシステムのゲームチェンジャーとして最近注目されている。
本稿では,人工知能(AI)ネイティブネットワークの展開に適したユニバーサルファンデーションモデルを設計するための包括的ビジョンを提案する。
論文 参考訳(メタデータ) (2024-01-30T00:21:41Z) - 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) - Model-driven Engineering for Machine Learning Components: A Systematic
Literature Review [8.810090413018798]
MDE4ML の使用の背景にある主要な動機を明らかにするため,いくつかの分野の研究を分析した。
また,既存の文献のギャップについても論じ,今後の研究を推奨する。
論文 参考訳(メタデータ) (2023-11-01T04:29:47Z) - Position-Enhanced Visual Instruction Tuning for Multimodal Large
Language Models [50.07056960586183]
MLLM(Multimodal Large Language Models)の機能を拡張するために, PVIT( Position-enhanced Visual Instruction Tuning)を提案する。
この統合により、MLLMの画像のより詳細な理解が促進される。
本稿では,提案モデルの優位性を示す定量的実験と定性解析の両方について述べる。
論文 参考訳(メタデータ) (2023-08-25T15:33:47Z) - Understanding the Complexity and Its Impact on Testing in ML-Enabled
Systems [8.630445165405606]
世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。
私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。
本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
論文 参考訳(メタデータ) (2023-01-10T08:13:24Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - A Survey of Machine Learning for Computer Architecture and Systems [18.620218353713476]
コンピュータアーキテクチャとシステムが機械学習(ml)アルゴリズムやモデルの効率的な実行を可能にするように最適化されるのは、長い間のことです。
今こそ、MLとシステムの関係を再考し、MLがコンピュータアーキテクチャとシステムが設計される方法を変える時です。
論文 参考訳(メタデータ) (2021-02-16T04:09:57Z) - Data Analytics and Machine Learning Methods, Techniques and Tool for
Model-Driven Engineering of Smart IoT Services [0.0]
この論文は、IoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のためのスマートサービス開発を促進する新しいアプローチを提案する。
提案されたアプローチは、ソフトウェアエンジニアリングプロセスの抽象化と自動化、データ分析(DA)と機械学習(ML)のプラクティスを提供する。
我々はThingMLと呼ばれるオープンソースモデリングツールを拡張して提案手法の実装と検証を行う。
論文 参考訳(メタデータ) (2021-02-12T11:09:54Z) - 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。