論文の概要: AI Techniques in the Microservices Life-Cycle: A Systematic Mapping Study

• arxiv url: http://arxiv.org/abs/2305.16092v2
• Date: Mon, 20 Jan 2025 08:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:18:31.133477
• Title: AI Techniques in the Microservices Life-Cycle: A Systematic Mapping Study
• Title（参考訳）: マイクロサービスライフサイクルにおけるAI技術 - システムマッピング研究
• Authors: Sergio Moreschini, Shahrzad Pour, Ivan Lanese, Daniel Balouek-Thomert, Justus Bogner, Xiaozhou Li, Fabiano Pecorelli, Jacopo Soldani, Eddy Truyen, Davide Taibi,
• Abstract要約: AI(MS)の利用は、かなりの数の調査で示されているように、新興分野である。 私たちは、DevOpsフェーズにおいて、すべての品質属性(QA)を改善するために、AIテクニックの使用間のすべての可能な接続を明らかにするために、徹底的なアプローチを取っています。
• 参考スコア（独自算出の注目度）: 8.026381963838272
• License:
• Abstract: The use of AI in microservices (MSs) is an emerging field as indicated by a substantial number of surveys. However these surveys focus on a specific problem using specific AI techniques, therefore not fully capturing the growth of research and the rise and disappearance of trends. In our systematic mapping study, we take an exhaustive approach to reveal all possible connections between the use of AI techniques for improving any quality attribute (QA) of MSs during the DevOps phases. Our results include 16 research themes that connect to the intersection of particular QAs, AI domains and DevOps phases. Moreover by mapping identified future research challenges and relevant industry domains, we can show that many studies aim to deliver prototypes to be automated at a later stage, aiming at providing exploitable products in a number of key industry domains.
• Abstract（参考訳）: マイクロサービス(MS)におけるAIの使用は、かなりの数の調査で示されているように、新興分野である。 しかし、これらの調査は特定のAI技術を使用して特定の問題に焦点を当てているため、研究の成長とトレンドの台頭と消失を完全には捉えていない。 組織的なマッピング調査では、DevOpsフェーズにおけるMSの品質特性(QA)を改善するために、AI技術の使用とあらゆる可能性の関連を明らかにするために、徹底的なアプローチをとっています。 結果には、特定のQA、AIドメイン、DevOpsフェーズの交差点に接続する16の研究テーマが含まれています。 さらに、将来的な研究課題と関連する産業領域をマッピングすることにより、多くの研究が、多くの主要産業領域で活用可能な製品を提供することを目指して、プロトタイプを後段で自動化することを目指していることを示すことができる。

関連論文リスト

• Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
  AI生成メディアを検出する方法は急速に進化してきた。 MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。 倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
  論文  参考訳（メタデータ） (2025-02-07T12:18:20Z)
• 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)
• How Mature is Requirements Engineering for AI-based Systems? A Systematic Mapping Study on Practices, Challenges, and Future Research Directions [5.6818729232602205]
  既存のREメソッドが十分かどうか、あるいはこれらの課題に対処するために新しいメソッドが必要であるかどうかは不明だ。 既存のRE4AI研究は主に要件分析と導入に重点を置いており、ほとんどの実践はこれらの分野に適用されている。 私たちは、最も一般的な課題として、要件仕様、説明可能性、マシンラーニングエンジニアとエンドユーザのギャップを特定しました。
  論文  参考訳（メタデータ） (2024-09-11T11:28:16Z)
• Aligning Cyber Space with Physical World: A Comprehensive Survey on Embodied AI [129.08019405056262]
  人工知能(Embodied AI)は、人工知能(AGI)の実現に不可欠である MLMとWMは、その顕著な知覚、相互作用、推論能力のために、大きな注目を集めている。 本調査では,Embodied AIの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-07-09T14:14:47Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Leveraging Multi-AI Agents for Cross-Domain Knowledge Discovery [0.0]
  本研究では,マルチAIエージェントの展開によるドメイン間知識発見への新たなアプローチを提案する。 本研究は,知識ギャップの特定とブリッジングにおいて,ドメイン固有マルチAIエージェントシステムの優れた能力を示すものである。
  論文  参考訳（メタデータ） (2024-04-12T14:50:41Z)
• Bridging MDE and AI: A Systematic Review of Domain-Specific Languages and Model-Driven Practices in AI Software Systems Engineering [1.4853133497896698]
  本研究の目的は、AIソフトウェアシステムのエンジニアリングを支援するために、DSLに依存した既存のモデル駆動アプローチを検討することである。 AIにMDEを使うことはまだ初期段階にあり、広く使われているツールやメソッドはひとつもない。
  論文  参考訳（メタデータ） (2023-07-10T14:38:38Z)
• 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)
• Towards Automated Process Planning and Mining [77.34726150561087]
  我々は、AIとBPM分野の研究者が共同で働く研究プロジェクトについて紹介する。 プロセスモデルを自動的に導出するための総合的な研究課題、研究の関連分野、および総合的な研究枠組みについて論じる。
  論文  参考訳（メタデータ） (2022-08-18T16:41:22Z)
• Systematic Mapping Study on the Machine Learning Lifecycle [4.4090257489826845]
  2005年から2020年にかけて出版された405の出版物は、5つの主要な研究トピック、31のサブトピックにマップされています。 少数の出版物がデータ管理とモデル生産の問題に焦点を合わせており、より多くの研究が全体論的観点からAIライフサイクルに対処すべきであると考えている。
  論文  参考訳（メタデータ） (2021-03-11T11:44:23Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)

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。