論文の概要: Continual learning on deployment pipelines for Machine Learning Systems
- arxiv url: http://arxiv.org/abs/2212.02659v1
- Date: Mon, 5 Dec 2022 23:40:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 15:55:24.833700
- Title: Continual learning on deployment pipelines for Machine Learning Systems
- Title（参考訳）: 機械学習システムのためのデプロイメントパイプラインの継続的学習
- Authors: Qiang Li and Chongyu Zhang
- Abstract要約: 機械学習システムの展開は、非常に重要なトピックになりつつある。
本稿では、理論と実践における様々な技術の利点とデメリットを比較した。
また、機械学習システムのデプロイに対する評価フレームワークの意識を高めることも目標としている。
- 参考スコア（独自算出の注目度）: 4.884688557957589
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Following the development of digitization, a growing number of large Original
Equipment Manufacturers (OEMs) are adapting computer vision or natural language
processing in a wide range of applications such as anomaly detection and
quality inspection in plants. Deployment of such a system is becoming an
extremely important topic. Our work starts with the least-automated deployment
technologies of machine learning systems includes several iterations of
updates, and ends with a comparison of automated deployment techniques. The
objective is, on the one hand, to compare the advantages and disadvantages of
various technologies in theory and practice, so as to facilitate later adopters
to avoid making the generalized mistakes when implementing actual use cases,
and thereby choose a better strategy for their own enterprises. On the other
hand, to raise awareness of the evaluation framework for the deployment of
machine learning systems, to have more comprehensive and useful evaluation
metrics (e.g. table 2), rather than only focusing on a single factor (e.g.
company cost). This is especially important for decision-makers in the
industry.
- Abstract（参考訳）: デジタル化の進展に伴い、多くのオリジナル機器メーカー(oem)が、植物の異常検出や品質検査といった幅広い応用において、コンピュータビジョンや自然言語処理を適応させている。
このようなシステムのデプロイは、非常に重要なトピックになりつつある。
私たちの作業は、マシンラーニングシステムの最小自動化デプロイメント技術から始まり、いくつかの更新を繰り返し、自動デプロイメント技術の比較で終わります。
目的は、理論や実践における様々な技術の利点とデメリットを比較して、後続の導入者が実際のユースケースを実施する際の一般的なミスをしないようにし、企業にとってより良い戦略を選択することである。
一方、機械学習システムの展開に対する評価フレームワークの意識を高めるためには、単一の要因(例えば、企業コスト)にのみ焦点をあてるのではなく、より包括的で有用な評価指標(表2など)を持つ必要がある。
これは業界における意思決定者にとって特に重要だ。
関連論文リスト
- Three Approaches to the Automation of Laser System Alignment and Their Resource Implications: A Case Study [1.3543803103181615]
3つの異なる自動化アプローチを特定し,検討する。
それらは、人工知能、手動アライメントのプラクティスを模倣するプラクティス主導、第一原理からモデリングするデザイン主導である。
我々は、人的資源において異なる自動化アプローチが著しく異なることを示し、サンプリング予算を計測する。
論文 参考訳（メタデータ） (2024-09-17T11:41:33Z) - 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) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - Automating In-Network Machine Learning [2.857025628729502]
Planterは、トレーニングされた機械学習モデルをプログラム可能なデバイスにマッピングするためのオープンソースのフレームワークである。
ネットワーク内機械学習アルゴリズムは,回線レートで動作し,レイテンシへの影響を無視し,標準スイッチング機能と共存し,精度のトレードオフがないことを示す。
論文 参考訳（メタデータ） (2022-05-18T09:42:22Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳（メタデータ） (2022-01-29T01:03:29Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳（メタデータ） (2021-10-28T16:04:01Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。
大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。
まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。
次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文 参考訳（メタデータ） (2021-03-10T20:10:53Z) - 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) - 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) - 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。