論文の概要: MLOps Spanning Whole Machine Learning Life Cycle: A Survey
- arxiv url: http://arxiv.org/abs/2304.07296v1
- Date: Thu, 13 Apr 2023 04:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:48:46.568610
- Title: MLOps Spanning Whole Machine Learning Life Cycle: A Survey
- Title(参考訳): 機械学習のライフサイクル全体にわたるmlops:調査
- Authors: Fang Zhengxin, Yuan Yi, Zhang Jingyu, Liu Yue, Mu Yuechen, Lu Qinghua,
Xu Xiwei, Wang Jeff, Wang Chen, Zhang Shuai and Chen Shiping
- Abstract要約: Google AlphaGosの勝利は、機械学習(ML)の研究と開発を大いに動機付け、加速させた。
本稿では,既存のML技術の現状を包括的調査により明らかにすることを目的としている。
- 参考スコア(独自算出の注目度): 4.910132890978536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Google AlphaGos win has significantly motivated and sped up machine learning
(ML) research and development, which led to tremendous ML technical advances
and wider adoptions in various domains (e.g., Finance, Health, Defense, and
Education). These advances have resulted in numerous new concepts and
technologies, which are too many for people to catch up to and even make them
confused, especially for newcomers to the ML area. This paper is aimed to
present a clear picture of the state-of-the-art of the existing ML technologies
with a comprehensive survey. We lay out this survey by viewing ML as a MLOps
(ML Operations) process, where the key concepts and activities are collected
and elaborated with representative works and surveys. We hope that this paper
can serve as a quick reference manual (a survey of surveys) for newcomers
(e.g., researchers, practitioners) of ML to get an overview of the MLOps
process, as well as a good understanding of the key technologies used in each
step of the ML process, and know where to find more details.
- Abstract(参考訳): Google AlphaGosの勝利は、機械学習(ML)の研究と開発を大いに動機付け、加速させ、MLの技術進歩とさまざまな領域(財務、健康、防衛、教育など)での広範な採用につながった。
これらの進歩により、多くの新しい概念や技術が生まれ、特にML分野への新規参入者にとって、人々が追いつき、混乱させるにはあまりにも多すぎる。
本稿では,既存のML技術の現状を包括的調査により明らかにすることを目的としている。
MLOps(ML Options)プロセスとしてMLを見て、この調査をレイアウトし、主要な概念と活動を収集し、代表的な作業や調査を精査する。
本論文は,mlの新参者(研究者,実践者など)を対象としたクイックリファレンスマニュアル(調査調査)として機能し,mlopsプロセスの概要や,mlプロセスの各ステップで使用される重要なテクノロジの理解を深めて,より詳細な情報を得るための場所を把握できることを願っている。
関連論文リスト
- LLM Inference Unveiled: Survey and Roofline Model Insights [64.33702161898469]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳(メタデータ) (2024-02-26T07:33:05Z) - Large Language Models for Generative Information Extraction: A Survey [93.28676955662002]
情報抽出は、平易な自然言語テキストから構造的知識を抽出することを目的としている。
生成型大規模言語モデル(LLM)は、テキストの理解と生成において顕著な能力を示した。
LLMは生成パラダイムに基づいたIEタスクに対して実行可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-12-29T14:25:22Z) - Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。
論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
論文 参考訳(メタデータ) (2023-09-22T01:06:32Z) - A Machine Learning-oriented Survey on Tiny Machine Learning [9.690117347832722]
Tiny Machine Learning(TinyML)の出現は、人工知能の分野に積極的に革命をもたらした。
TinyMLは、社会、経済、個人が効果的なAI融合コンピューティング技術を採用するのを助けるために、第4および第5次産業革命において不可欠な役割を担っている。
論文 参考訳(メタデータ) (2023-09-21T09:47:12Z) - A Comprehensive Overview of Large Language Models [70.78732351626734]
大規模言語モデル(LLM)は、最近自然言語処理タスクにおいて顕著な機能を示した。
本稿では, LLM関連概念の幅広い範囲について, 既存の文献について概説する。
論文 参考訳(メタデータ) (2023-07-12T20:01:52Z) - A Survey on Multimodal Large Language Models [56.754753799607585]
マルチモーダル言語モデル(MLLM)は、マルチモーダルタスクを実行するために、脳として強力な大規模言語モデルを使用する。
MLLMの驚くべき創発的能力、例えば画像に基づくストーリーの作成やOCRのない数学推論は、伝統的な手法ではまれである。
論文 参考訳(メタデータ) (2023-06-23T15:21:52Z) - Interpretability of Machine Learning: Recent Advances and Future
Prospects [21.68362950922772]
機械学習(ML)の普及は、様々なマルチメディアコンテンツの研究に前例のない関心を集めている。
現代のML、特にディープニューラルネットワーク(DNN)におけるブラックボックスの性質は、MLベースの表現学習において主要な課題となっている。
本稿では,MLの解釈可能性に関する最近の進歩と今後の展望について述べる。
論文 参考訳(メタデータ) (2023-04-30T17:31:29Z) - Machine Learning Operations (MLOps): Overview, Definition, and
Architecture [0.0]
機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。
MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。
必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
論文 参考訳(メタデータ) (2022-05-04T19:38:48Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳(メタデータ) (2021-07-16T23:57:57Z) - Pitfalls of Explainable ML: An Industry Perspective [29.49574255183219]
説明は機械学習(ML)システムの望ましい属性の中核に位置する。
説明可能なMLの目標は、さまざまな利害関係者のニーズを守りながら、直感的にMLシステムの予測を説明することである。
論文 参考訳(メタデータ) (2021-06-14T21:05:05Z) - White Paper Machine Learning in Certified Systems [70.24215483154184]
DEEL Project set-up the ML Certification 3 Workgroup (WG) set-up by the Institut de Recherche Technologique Saint Exup'ery de Toulouse (IRT)
論文 参考訳(メタデータ) (2021-03-18T21:14:30Z)
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。