論文の概要: Automotive Perception Software Development: An Empirical Investigation
into Data, Annotation, and Ecosystem Challenges
- arxiv url: http://arxiv.org/abs/2303.05947v1
- Date: Fri, 10 Mar 2023 14:29:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:55:05.049951
- Title: Automotive Perception Software Development: An Empirical Investigation
into Data, Annotation, and Ecosystem Challenges
- Title（参考訳）: 自動車知覚ソフトウェア開発: データ、アノテーション、生態系の課題に関する実証的研究
- Authors: Hans-Martin Heyn, Khan Mohammad Habibullah, Eric Knauss, Jennifer
Horkoff, Markus Borg, Alessia Knauss, Polly Jing Li
- Abstract要約: 機械学習アルゴリズムを含むソフトウェアは、自動車認識の不可欠な部分である。
このようなソフトウェアの開発、特に機械学習コンポーネントのトレーニングと検証には、大きな注釈付きデータセットが必要である。
データとアノテーションサービスの業界が出現し、このようなデータ集約型の自動車ソフトウェアコンポーネントの開発に役立っている。
- 参考スコア（独自算出の注目度）: 10.649193588119985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software that contains machine learning algorithms is an integral part of
automotive perception, for example, in driving automation systems. The
development of such software, specifically the training and validation of the
machine learning components, require large annotated datasets. An industry of
data and annotation services has emerged to serve the development of such
data-intensive automotive software components. Wide-spread difficulties to
specify data and annotation needs challenge collaborations between OEMs
(Original Equipment Manufacturers) and their suppliers of software components,
data, and annotations. This paper investigates the reasons for these
difficulties for practitioners in the Swedish automotive industry to arrive at
clear specifications for data and annotations. The results from an interview
study show that a lack of effective metrics for data quality aspects,
ambiguities in the way of working, unclear definitions of annotation quality,
and deficits in the business ecosystems are causes for the difficulty in
deriving the specifications. We provide a list of recommendations that can
mitigate challenges when deriving specifications and we propose future research
opportunities to overcome these challenges. Our work contributes towards the
on-going research on accountability of machine learning as applied to complex
software systems, especially for high-stake applications such as automated
driving.
- Abstract（参考訳）: 機械学習アルゴリズムを含むソフトウェアは、例えば運転自動化システムにおいて、自動車の知覚に不可欠な部分である。
このようなソフトウェアの開発、特に機械学習コンポーネントのトレーニングと検証には、大きな注釈付きデータセットが必要である。
このようなデータ集約型自動車用ソフトウェアコンポーネントの開発のために、データとアノテーションサービスの業界が出現した。
データやアノテーションの特定には、OEM(Original Equipment Manufacturers)とそのソフトウェアコンポーネント、データ、アノテーションのサプライヤーとのコラボレーションに挑戦する必要がある。
本稿では,スウェーデンの自動車産業において,データとアノテーションの明確な仕様に到達できない理由について考察する。
インタビュー研究の結果、データ品質の面における効果的な指標の欠如、作業方法の曖昧さ、アノテーションの品質の定義の曖昧さ、ビジネスエコシステムの欠如が仕様の導出の難しさの原因であることが示された。
我々は、仕様策定時の課題を軽減するためのレコメンデーションのリストを提供し、これらの課題を克服する将来の研究機会を提案する。
我々の研究は、複雑なソフトウェアシステム、特に自動運転のような高度なアプリケーションに適用される機械学習のアカウンタビリティに関する現在進行中の研究に貢献する。
関連論文リスト
- The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。
LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。
機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文 参考訳（メタデータ） (2024-03-23T09:26:15Z) - Machine Unlearning: Taxonomy, Metrics, Applications, Challenges, and
Prospects [17.502158848870426]
データユーザには、データを忘れる権利が与えられている。
機械学習(ML)の過程で、忘れられた権利は、ユーザーデータを削除するためにモデルプロバイダを必要とする。
機械学習は、業界と学界の両方からますます注目を集めている。
論文 参考訳（メタデータ） (2024-03-13T05:11:24Z) - Dealing with Data for RE: Mitigating Challenges while using NLP and
Generative AI [2.9189409618561966]
本章では、ソフトウェア工学全般の進化する展望、特に要件工学(RE)について論じている。
自然言語処理(NLP)と生成AIをエンタープライズクリティカルなソフトウェアシステムに統合する際に生じる課題について論じる。
本は、読者に必要な知識とツールを提供するために、実践的な洞察、解決策、例を提供する。
論文 参考訳（メタデータ） (2024-02-26T19:19:47Z) - A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。
これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。
本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
論文 参考訳（メタデータ） (2024-01-27T16:13:32Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Modelling Concurrency Bugs Using Machine Learning [0.0]
このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。
我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。
各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
論文 参考訳（メタデータ） (2023-05-08T17:30:24Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Engineering an Intelligent Essay Scoring and Feedback System: An
Experience Report [1.5168188294440734]
専門的な採用支援サービスの顧客から提供されるエッセイの質を評価するための探索システムについて述べる。
オープンエンドの顧客提供のソーステキストがあいまいさとエラーのかなりの範囲を持っているため、問題領域は困難です。
また、専門的なビジネスドメイン知識をインテリジェントな処理システムに組み込む必要もあります。
論文 参考訳（メタデータ） (2021-03-25T03:46:05Z) - Automatic Feasibility Study via Data Quality Analysis for ML: A
Case-Study on Label Noise [21.491392581672198]
我々はSnoopyを紹介し、データサイエンティストと機械学習エンジニアが体系的で理論的に確立された実現可能性研究を行うのを支援することを目的としている。
我々は、基礎となるタスクの既約誤差を推定し、この問題にアプローチする。
エンド・ツー・エンドの実験では、ユーザーがかなりのラベリング時間と金銭的努力を節約できることを示す。
論文 参考訳（メタデータ） (2020-10-16T14:21:19Z) - Data-Driven Aerospace Engineering: Reframing the Industry with Machine
Learning [49.367020832638794]
航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。
最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
論文 参考訳（メタデータ） (2020-08-24T22:40:26Z) - 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)
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。