論文の概要: A Case Study on AI Engineering Practices: Developing an Autonomous Stock Trading System

• arxiv url: http://arxiv.org/abs/2303.13216v1
• Date: Thu, 23 Mar 2023 12:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 14:26:13.649508
• Title: A Case Study on AI Engineering Practices: Developing an Autonomous Stock Trading System
• Title（参考訳）: ai工学の実践に関する事例研究:自律的株式取引システムの開発
• Authors: Marcel Grote, Justus Bogner
• Abstract要約: プロダクション対応のAIベースのシステムの品質を保証するためには、ソリッドAIエンジニアリングプラクティスが必要である。 AIベースのシステムを開発するためのいくつかのプラクティスがすでに提案されているが、これらのプラクティスを適用するための詳細な実践経験は稀である。 文献から10のAIエンジニアリングプラクティスを選択し、開発中に体系的に適用しました。
• 参考スコア（独自算出の注目度）: 8.211107836178083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today, many systems use artificial intelligence (AI) to solve complex problems. While this often increases system effectiveness, developing a production-ready AI-based system is a difficult task. Thus, solid AI engineering practices are required to ensure the quality of the resulting system and to improve the development process. While several practices have already been proposed for the development of AI-based systems, detailed practical experiences of applying these practices are rare. In this paper, we aim to address this gap by collecting such experiences during a case study, namely the development of an autonomous stock trading system that uses machine learning functionality to invest in stocks. We selected 10 AI engineering practices from the literature and systematically applied them during development, with the goal to collect evidence about their applicability and effectiveness. Using structured field notes, we documented our experiences. Furthermore, we also used field notes to document challenges that occurred during the development, and the solutions we applied to overcome them. Afterwards, we analyzed the collected field notes, and evaluated how each practice improved the development. Lastly, we compared our evidence with existing literature. Most applied practices improved our system, albeit to varying extent, and we were able to overcome all major challenges. The qualitative results provide detailed accounts about 10 AI engineering practices, as well as challenges and solutions associated with such a project. Our experiences therefore enrich the emerging body of evidence in this field, which may be especially helpful for practitioner teams new to AI engineering.
• Abstract（参考訳）: 現在、多くのシステムは複雑な問題を解決するために人工知能(AI)を使用している。 これはしばしばシステムの有効性を高めるが、プロダクション対応のAIベースのシステムの開発は難しい作業である。 したがって、システムの品質を確保し、開発プロセスを改善するためには、しっかりとしたAIエンジニアリングプラクティスが必要である。 AIベースのシステムを開発するためのいくつかのプラクティスがすでに提案されているが、これらのプラクティスを適用するための詳細な実践経験は稀である。 本稿では,このような事例研究,すなわち,機械学習機能を利用して株式に投資する自律的株式取引システムの開発を通じて,このギャップに対処することを目的とする。 文献から10のaiエンジニアリングプラクティスを選択し,その適用性と有効性に関するエビデンスを収集する目的で,開発中に体系的に適用した。 構造化フィールドノートを使用して、経験を文書化した。 さらに,開発中に発生した課題の文書化や,それを克服するために適用したソリューションにもフィールドノートを使用しました。 その後,収集したフィールドノートを分析し,各プラクティスが開発をどのように改善したかを評価した。 最後に、我々の証拠を既存の文献と比較した。 ほとんどの適用プラクティスは、さまざまな範囲でシステムを改善しましたが、大きな課題をすべて克服することができました。 質的な結果は、10のAIエンジニアリングプラクティスに関する詳細な説明と、プロジェクトに関連する課題とソリューションを提供する。 ですから私たちの経験は,この分野における新たなエビデンスを豊かにしています。

関連論文リスト

• Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
  大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。 しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。 本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:14:34Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• Lessons from Formally Verified Deployed Software Systems (Extended version) [65.69802414600832]
  本稿は、正式に認証されたシステムを作成し、実際に使用するためにデプロイした各種のアプリケーション分野のプロジェクトについて検討する。 使用する技術、適用の形式、得られた結果、そしてソフトウェア産業が形式的な検証技術やツールの恩恵を受ける能力について示すべき教訓を考察する。
  論文  参考訳（メタデータ） (2023-01-05T18:18:46Z)
• Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
  この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。 欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
  論文  参考訳（メタデータ） (2022-12-10T07:49:50Z)
• 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)
• Machine Learning Application Development: Practitioners' Insights [18.114724750441724]
  MLアプリケーション開発の課題とベストプラクティスを理解することを目的とした調査について報告する。 80人の実践者から得られた結果を17の発見にまとめ、MLアプリケーション開発の課題とベストプラクティスを概説する。 報告された課題が、MLベースのアプリケーションのエンジニアリングプロセスと品質を改善するために調査すべきトピックについて、研究コミュニティに知らせてくれることを期待しています。
  論文  参考訳（メタデータ） (2021-12-31T03:38:37Z)
• Machine Learning Model Development from a Software Engineering Perspective: A Systematic Literature Review [0.0]
  データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。 本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
  論文  参考訳（メタデータ） (2021-02-15T14:25:13Z)
• 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)
• Software engineering for artificial intelligence and machine learning software: A systematic literature review [6.681725960709127]
  本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。 プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
  論文  参考訳（メタデータ） (2020-11-07T11:06:28Z)
• 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)
• ECCOLA -- a Method for Implementing Ethically Aligned AI Systems [11.31664099885664]
  本稿では,AI倫理を実践する手法を提案する。 この手法であるECCOLAは循環行動設計研究手法を用いて反復的に開発されている。
  論文  参考訳（メタデータ） (2020-04-17T17:57:07Z)

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。