論文の概要: Management of Machine Learning Lifecycle Artifacts: A Survey
- arxiv url: http://arxiv.org/abs/2210.11831v1
- Date: Fri, 21 Oct 2022 09:23:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 16:21:24.215182
- Title: Management of Machine Learning Lifecycle Artifacts: A Survey
- Title(参考訳): 機械学習ライフサイクルアーティファクトの管理に関する調査
- Authors: Marius Schlegel, Kai-Uwe Sattler
- Abstract要約: 機械学習ライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要を述べる。
体系的なレビューに基づいて、評価基準を導出し、60以上のシステムやプラットフォームの代表的選択に適用する。
- 参考スコア(独自算出の注目度): 7.106986689736826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The explorative and iterative nature of developing and operating machine
learning (ML) applications leads to a variety of artifacts, such as datasets,
features, models, hyperparameters, metrics, software, configurations, and logs.
In order to enable comparability, reproducibility, and traceability of these
artifacts across the ML lifecycle steps and iterations, systems and tools have
been developed to support their collection, storage, and management. It is
often not obvious what precise functional scope such systems offer so that the
comparison and the estimation of synergy effects between candidates are quite
challenging. In this paper, we aim to give an overview of systems and platforms
which support the management of ML lifecycle artifacts. Based on a systematic
literature review, we derive assessment criteria and apply them to a
representative selection of more than 60 systems and platforms.
- Abstract(参考訳): 機械学習(ml)アプリケーションの開発と運用に関する探索的かつ反復的な性質は、データセット、機能、モデル、ハイパーパラメータ、メトリクス、ソフトウェア、構成、ログなど、さまざまなアーティファクトにつながる。
これらのアーティファクトの可視性、再現性、トレーサビリティを実現するため、MLライフサイクルステップとイテレーション、システムとツールは、コレクション、ストレージ、管理をサポートするために開発されました。
このようなシステムがどのように正確な機能範囲を提供するかは明確ではなく、候補間の相乗効果の比較と推定が極めて困難である。
本稿では,MLライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要について述べる。
体系的な文献レビューに基づき,評価基準を導出し,60以上のシステムとプラットフォームの代表的選択に適用する。
関連論文リスト
- Characterization of Large Language Model Development in the Datacenter [57.49531095113406]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳(メタデータ) (2024-03-12T13:31:14Z) - Towards MLOps: A DevOps Tools Recommender System for Machine Learning
System [1.065497990128313]
MLOpsと機械学習システムは、要求の従来のシステムとは異なり、新しいデータで進化する。
本稿では,コンテキスト情報を処理するレコメンデーションシステムのためのフレームワークを提案する。
ルールベース,無作為林,決定木およびk-アネレスト近傍の4つの異なるアプローチについて検討した。
論文 参考訳(メタデータ) (2024-02-20T09:57:49Z) - The (R)Evolution of Multimodal Large Language Models: A Survey [48.61135328255951]
MLLM(Multimodal Large Language Models)は、視覚とテキストのモダリティを、入力と出力の両方としてシームレスに統合することができる。
本稿では,近年の視覚的MLLMのレビュー,アーキテクチャ選択,マルチモーダルアライメント戦略,トレーニング手法について述べる。
論文 参考訳(メタデータ) (2024-02-19T19:01:01Z) - Beyond Efficiency: A Systematic Survey of Resource-Efficient Large
Language Models [34.327846901536425]
LLM(Large Language Models)は、計算、メモリ、エネルギー、金融資源の高消費に課題をもたらす。
本調査は, LLMの資源効率向上を目的とした多種多様な手法を概観することにより, これらの課題を体系的に解決することを目的としている。
論文 参考訳(メタデータ) (2024-01-01T01:12:42Z) - 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) - A Multi-Level, Multi-Scale Visual Analytics Approach to Assessment of
Multifidelity HPC Systems [17.246865176910045]
ハードウェアシステムのイベントと振る舞いは、システムの堅牢性と信頼性を改善するために不可欠である。
本研究では,このような膨大なデータを理解するための総合分析システムの構築を目指す。
このエンド・ツー・エンドのログ分析システムとビジュアル・アナリティクス・サポートが組み合わさって、ユーザーはスーパーコンピュータの使用状況やエラーパターンを素早く抽出できる。
論文 参考訳(メタデータ) (2023-06-15T19:23:50Z) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳(メタデータ) (2022-05-02T21:42:45Z) - Lifelong Learning Metrics [63.8376359764052]
DARPA Lifelong Learning Machines (L2M) プログラムは、人工知能(AI)システムの進歩を目指している。
本論文は、生涯学習シナリオを実行するエージェントのパフォーマンスの構築と特徴付けのためのフォーマリズムを概説する。
論文 参考訳(メタデータ) (2022-01-20T16:29:14Z) - 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) - Applying Machine Learning in Self-Adaptive Systems: A Systematic
Literature Review [15.953995937484176]
現在、自己適応システムにおける機械学習の使用に関する体系的な概要はない。
我々は、従来のモニター・アナライズ・プラン・エクユートフィードバックループ(MAPE)に基づく自己適応システムに焦点を当てる。
研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。
論文 参考訳(メタデータ) (2021-03-06T13:45:59Z) - An Overview of Recommender Systems and Machine Learning in Feature
Modeling and Configuration [55.67505546330206]
レコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を説明します。
本論文では,レコメンダーシステムと機械学習の応用例を示し,今後の研究課題について考察する。
論文 参考訳(メタデータ) (2021-02-12T17:21:36Z)
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。