論文の概要: Towards Modular Machine Learning Solution Development: Benefits and Trade-offs

• arxiv url: http://arxiv.org/abs/2301.09753v1
• Date: Mon, 23 Jan 2023 22:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 14:48:37.590087
• Title: Towards Modular Machine Learning Solution Development: Benefits and Trade-offs
• Title（参考訳）: モジュール型機械学習ソリューション開発に向けて - メリットとトレードオフ
• Authors: Samiyuru Menik, Lakshmish Ramaswamy
• Abstract要約: カスタム機械学習ソリューションを開発するコストは、機械学習技術の採用に対する主要な阻害要因である。 モノリシックな機械学習ソリューションの主要なソリューション工学的制約を、モジュール化された機械学習ソリューションが克服する方法について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning technologies have demonstrated immense capabilities in various domains. They play a key role in the success of modern businesses. However, adoption of machine learning technologies has a lot of untouched potential. Cost of developing custom machine learning solutions that solve unique business problems is a major inhibitor to far-reaching adoption of machine learning technologies. We recognize that the monolithic nature prevalent in today's machine learning applications stands in the way of efficient and cost effective customized machine learning solution development. In this work we explore the benefits of modular machine learning solutions and discuss how modular machine learning solutions can overcome some of the major solution engineering limitations of monolithic machine learning solutions. We analyze the trade-offs between modular and monolithic machine learning solutions through three deep learning problems; one text based and the two image based. Our experimental results show that modular machine learning solutions have a promising potential to reap the solution engineering advantages of modularity while gaining performance and data advantages in a way the monolithic machine learning solutions do not permit.
• Abstract（参考訳）: 機械学習技術は、様々な領域で大きな能力を示している。 近代ビジネスの成功において重要な役割を担っている。 しかし、機械学習技術の採用には多くの未解決の可能性がある。 ユニークなビジネス問題を解決するカスタム機械学習ソリューションを開発するコストは、機械学習技術の採用を遠ざかる主な要因である。 現在の機械学習アプリケーションで普及しているモノリシックな性質は、効率的でコスト効率のよい機械学習ソリューション開発の方法にあることを認識しています。 本研究では,モジュール型機械学習ソリューションのメリットを検討し,モジュール型機械学習ソリューションがモノリシックな機械学習ソリューションの主要なソリューションエンジニアリング上の制限を克服する方法について論じる。 モジュール型とモノリシックな機械学習ソリューションのトレードオフを,テキストベースとイメージベースという3つのディープラーニング問題を通じて分析する。 実験結果から,モジュール型機械学習ソリューションは,モノリシックな機械学習ソリューションが許さない方法で,パフォーマンスとデータアドバンテージを獲得しながら,モジュラリティのソリューション工学的優位性を享受する有望な可能性を見出した。

関連論文リスト

• OMLT: Optimization & Machine Learning Toolkit [54.58348769621782]
  最適化と機械学習ツールキット(OMLT)は、ニューラルネットワークと勾配ブーストツリーサロゲートモデルを組み込んだオープンソースのソフトウェアパッケージである。 我々は、OMLTを可能とした最適化技術の進歩について論じ、OMLTが代数モデリング言語であるPyomoとシームレスに統合されていることを示す。
  論文  参考訳（メタデータ） (2022-02-04T22:23:45Z)
• 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)
• Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars [9.327920030279586]
  本稿では,機械学習開発の基本となる2つの現代的発展現象について論じる。 まず、統合開発環境への容易な移行をサポートすることにより、ノートブックにおける作業の本質的な弱点を解消できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。
  論文  参考訳（メタデータ） (2021-11-28T13:40:30Z)
• 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)
• Machine learning and deep learning [0.0]
  機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。 ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
  論文  参考訳（メタデータ） (2021-04-12T09:54:12Z)
• SELM: Software Engineering of Machine Learning Models [0.19116784879310023]
  本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。 SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。 この問題は、機械学習に対する学際的アプローチの重要性を強調している。
  論文  参考訳（メタデータ） (2021-03-20T21:43:24Z)
• 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)
• 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)
• Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
  この記事では、幅広い関心事の1つに焦点を当てる。 機械学習と物理に基づくモデリングをどのように統合できるのか? 機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。 最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
  論文  参考訳（メタデータ） (2020-06-04T02:35:10Z)
• 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。