論文の概要: Best Practices for Machine Learning Systems: An Industrial Framework for
Analysis and Optimization
- arxiv url: http://arxiv.org/abs/2306.13662v1
- Date: Fri, 9 Jun 2023 12:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:45:42.834476
- Title: Best Practices for Machine Learning Systems: An Industrial Framework for
Analysis and Optimization
- Title（参考訳）: 機械学習システムのベストプラクティス:分析と最適化のための産業的枠組み
- Authors: Georgios Christos Chouliaras, Kornel Kie{\l}czewski, Amit Beka, David
Konopnicki, Lucas Bernardi
- Abstract要約: 本稿では,ベストプラクティスの集合を分析し,品質への影響と実装の優先順位付けに着目したフレームワークを提案する。
専門家の知識に基づいて、個々のプラクティスとソフトウェア品質の側面の関連性は、広く確立されたプラクティスのセットに明示的に引き起こされます。
- 参考スコア（独自算出の注目度）: 8.368919250388155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the last few years, the Machine Learning (ML) and Artificial Intelligence
community has developed an increasing interest in Software Engineering (SE) for
ML Systems leading to a proliferation of best practices, rules, and guidelines
aiming at improving the quality of the software of ML Systems. However,
understanding their impact on the overall quality has received less attention.
Practices are usually presented in a prescriptive manner, without an explicit
connection to their overall contribution to software quality. Based on the
observation that different practices influence different aspects of
software-quality and that one single quality aspect might be addressed by
several practices we propose a framework to analyse sets of best practices with
focus on quality impact and prioritization of their implementation. We first
introduce a hierarchical Software Quality Model (SQM) specifically tailored for
ML Systems. Relying on expert knowledge, the connection between individual
practices and software quality aspects is explicitly elicited for a large set
of well-established practices. Applying set-function optimization techniques we
can answer questions such as what is the set of practices that maximizes SQM
coverage, what are the most important ones, which practices should be
implemented in order to improve specific quality aspects, among others. We
illustrate the usage of our framework by analyzing well-known sets of
practices.
- Abstract（参考訳）: ここ数年、機械学習(ML)と人工知能(AI)コミュニティは、MLシステムの品質向上を目的としたベストプラクティス、ルール、ガイドラインの普及につながる、MLシステムのためのソフトウェアエンジニアリング(SE)への関心が高まっている。
しかし、全体的な品質への影響を理解することは、あまり注目されなかった。
通常、プラクティスは規範的な方法で提示され、ソフトウェア品質への全体的な貢献に明確なつながりがない。
異なるプラクティスがソフトウェア品質の異なる側面に影響を与え、1つの品質面がいくつかのプラクティスによって対処される可能性があるという観察に基づいて、私たちは品質への影響と実装の優先順位付けに焦点を当てたベストプラクティスセットを分析するフレームワークを提案します。
まず,MLシステムに適した階層型ソフトウェア品質モデル(SQM)を紹介する。
専門家の知識に基づいて、個々のプラクティスとソフトウェア品質の側面の関連性は、広く確立されたプラクティスのセットに明示的に引き起こされます。
セットファンクション最適化技術を適用することで、SQMカバレッジを最大化するプラクティスの集合、最も重要なもの、特定の品質面を改善するために実装されるべきプラクティスなど、質問に答えることができます。
我々は、よく知られたプラクティスセットを分析することで、フレームワークの使用方法を説明します。
関連論文リスト
- How to Measure Performance in Agile Software Development? A Mixed-Method Study [2.477589198476322]
この研究は、アジャイルソフトウェア開発のパフォーマンス指標を実際に使用するときに生じる課題を特定することを目的としている。
結果として、広く使用されているパフォーマンスメトリクスが実際に広く使用されている一方で、アジャイルソフトウェア開発チームは透明性と標準化の欠如と不十分な正確性のために、課題に直面しています。
論文 参考訳（メタデータ） (2024-07-08T19:53:01Z) - Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳（メタデータ） (2024-01-17T21:30:45Z) - PerfDetectiveAI -- Performance Gap Analysis and Recommendation in
Software Applications [0.0]
本稿では,ソフトウェアアプリケーションにおける性能ギャップ分析と提案のための概念的フレームワークPerfDetectiveAIを紹介する。
現代の機械学習(ML)と人工知能(AI)技術は、PerfDetectiveAIでパフォーマンス測定を監視し、ソフトウェアアプリケーションにおけるパフォーマンス不足の領域を特定するために使用されている。
論文 参考訳（メタデータ） (2023-06-11T02:53:04Z) - A Survey on Large Language Models for Recommendation [77.91673633328148]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳（メタデータ） (2023-05-31T13:51:26Z) - 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) - 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) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z) - Quality Management of Machine Learning Systems [0.0]
機械学習(ML)技術の大きな進歩により、人工知能(AI)は私たちの日常生活の一部になっています。
ビジネス/ミッションクリティカルなシステムでは、AIアプリケーションの信頼性と保守性に関する深刻な懸念が残っている。
本稿では,MLアプリケーションのための総合的な品質管理フレームワークの展望について述べる。
論文 参考訳（メタデータ） (2020-06-16T21:34:44Z) - 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) - Synergizing Domain Expertise with Self-Awareness in Software Systems: A
Patternized Architecture Guideline [11.155059219430207]
本稿では、ソフトウェアシステムにおける自己適応性を高めるために、ドメインの専門知識の相乗化と自己認識の重要性を強調する。
我々は、DBASESと呼ばれる概念、豊富なパターン、方法論の総合的なフレームワークを提示し、エンジニアに原則化されたガイドラインを提供する。
論文 参考訳（メタデータ） (2020-01-20T12:17:22Z) - Introduction to Online Convex Optimization [31.771131314017385]
この写本は最適化をプロセスとして描いている。
多くの実践的な応用において、環境は非常に複雑であり、包括的な理論モデルを構築することは不可能である。
論文 参考訳（メタデータ） (2019-09-07T19:06:23Z)
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。