論文の概要: Requirements Engineering for Machine Learning: A Review and Reflection
- arxiv url: http://arxiv.org/abs/2210.00859v1
- Date: Mon, 3 Oct 2022 12:24:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:37:48.993881
- Title: Requirements Engineering for Machine Learning: A Review and Reflection
- Title（参考訳）: 機械学習のための要件工学:レビューとリフレクション
- Authors: Zhongyi Pei, Lin Liu, Chen Wang, Jianmin Wang
- Abstract要約: 本稿では,機械学習アプリケーションにおける要件工学プロセスの概要について述べる。
産業データ駆動インテリジェンスアプリケーションの例も、前述のステップに関連して議論されている。
- 参考スコア（独自算出の注目度）: 39.01716712094724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Today, many industrial processes are undergoing digital transformation, which
often requires the integration of well-understood domain models and
state-of-the-art machine learning technology in business processes. However,
requirements elicitation and design decision making about when, where and how
to embed various domain models and end-to-end machine learning techniques
properly into a given business workflow requires further exploration. This
paper aims to provide an overview of the requirements engineering process for
machine learning applications in terms of cross domain collaborations. We first
review the literature on requirements engineering for machine learning, and
then go through the collaborative requirements analysis process step-by-step.
An example case of industrial data-driven intelligence applications is also
discussed in relation to the aforementioned steps.
- Abstract（参考訳）: 今日、多くの産業プロセスがデジタルトランスフォーメーションを実施しており、よく理解されているドメインモデルと最先端の機械学習技術をビジネスプロセスに統合する必要がある。
しかしながら、特定のビジネスワークフローにさまざまなドメインモデルやエンドツーエンドの機械学習技術を適切に組み込むには、いつ、どこで、どのように、いつ、どのように、設計決定を行う必要がある。
本稿では,クロスドメイン協調という観点から,機械学習アプリケーションの要件工学的プロセスの概要について述べる。
まず、機械学習の要件工学に関する文献をレビューし、次に協調的要件分析プロセスを段階的に検討する。
産業データ駆動インテリジェンスアプリケーションの例も、前述のステップに関連して議論されている。
関連論文リスト
- Machine Learning Operations: A Mapping Study [0.0]
この記事では、MLOpsパイプラインのいくつかのコンポーネントに存在する問題について論じる。
MLOpsシステムで発生する課題を、異なる焦点領域に分類するために、システマティックマッピング研究が実施されている。
この研究の主な価値は、MLOpsの独特な課題と、私たちの研究で概説された推奨された解決策をマッピングすることです。
論文 参考訳（メタデータ） (2024-09-28T17:17:40Z) - Machine learning for industrial sensing and control: A survey and
practical perspective [7.678648424345052]
プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。
ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。
データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
論文 参考訳（メタデータ） (2024-01-24T22:27:04Z) - Machine Learning with Requirements: a Manifesto [114.97965827971132]
要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。
私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
論文 参考訳（メタデータ） (2023-04-07T14:47:13Z) - Towards Automated Process Planning and Mining [77.34726150561087]
我々は、AIとBPM分野の研究者が共同で働く研究プロジェクトについて紹介する。
プロセスモデルを自動的に導出するための総合的な研究課題、研究の関連分野、および総合的な研究枠組みについて論じる。
論文 参考訳（メタデータ） (2022-08-18T16:41:22Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
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。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
論文 参考訳（メタデータ） (2021-07-02T04:32:18Z) - Challenges in Deploying Machine Learning: a Survey of Case Studies [11.028123436097616]
この調査は、機械学習ソリューションをさまざまなユースケース、産業、アプリケーションにデプロイする、というレポートを公表した。
機械学習デプロイメントワークフローのステップに対する課題のマッピングによって、デプロイプロセスの各段階で、実践者が問題に直面していることが分かる。
論文 参考訳（メタデータ） (2020-11-18T16:20:28Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。