論文の概要: Data-centric Operational Design Domain Characterization for Machine
Learning-based Aeronautical Products
- arxiv url: http://arxiv.org/abs/2307.07681v1
- Date: Sat, 15 Jul 2023 02:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 18:38:36.039123
- Title: Data-centric Operational Design Domain Characterization for Machine
Learning-based Aeronautical Products
- Title(参考訳): 機械学習に基づく航空製品のためのデータ中心の運用設計ドメイン特性
- Authors: Fateh Kaakai, Shridhar "Shreeder" Adibhatla, Ganesh Pai, Emmanuelle
Escorihuela
- Abstract要約: 機械学習(ML)に基づく航空製品のための操作設計ドメイン(ODD)の厳密な特徴付けを初めて与える。
我々は,ODDを定義するパラメータを明示的にキャプチャできる次元と,MLベースのアプリケーションが操作中に遭遇する可能性のあるデータの分類を提案する。
- 参考スコア(独自算出の注目度): 4.8461049669050915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We give a first rigorous characterization of Operational Design Domains
(ODDs) for Machine Learning (ML)-based aeronautical products. Unlike in other
application sectors (such as self-driving road vehicles) where ODD development
is scenario-based, our approach is data-centric: we propose the dimensions
along which the parameters that define an ODD can be explicitly captured,
together with a categorization of the data that ML-based applications can
encounter in operation, whilst identifying their system-level relevance and
impact. Specifically, we discuss how those data categories are useful to
determine: the requirements necessary to drive the design of ML Models (MLMs);
the potential effects on MLMs and higher levels of the system hierarchy; the
learning assurance processes that may be needed, and system architectural
considerations. We illustrate the underlying concepts with an example of an
aircraft flight envelope.
- Abstract(参考訳): 機械学習(ML)に基づく航空製品のためのオペレーショナルデザインドメイン(ODD)の最初の厳密な特徴について述べる。
ODD開発がシナリオベースである他のアプリケーションセクター(自動運転車など)とは異なり、当社のアプローチはデータ中心であり、ODDを定義するパラメータを明示的にキャプチャ可能な次元と、MLベースのアプリケーションが運用中に遭遇する可能性のあるデータの分類を提案し、システムレベルの関連性と影響を特定します。
具体的には、MLモデル(MLM)の設計を駆動するために必要な要件、MLMやシステム階層の高レベルへの影響、必要な学習保証プロセス、システムアーキテクチャの考慮など、これらのデータカテゴリがどのように役立つかを論じる。
基礎となる概念を航空機の飛行封筒の例で説明する。
関連論文リスト
- LESS: Selecting Influential Data for Targeted Instruction Tuning [69.50855460630105]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳(メタデータ) (2024-02-06T19:18:04Z) - DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral
Planning States for Autonomous Driving [69.82743399946371]
DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。
モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。
このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
論文 参考訳(メタデータ) (2023-12-14T18:59:05Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - Real-world Machine Learning Systems: A survey from a Data-Oriented
Architecture Perspective [7.574538335342942]
データ指向アーキテクチャ(DOA、Data-oriented Architecture)は、MLモデルを統合する上で、システムにより良いものを提供する新しい概念である。
DOAは、現在のアーキテクチャを拡張して、データ駆動、疎結合、分散化されたオープンシステムを作成する。
本稿では,MLベースのシステムの実環境展開を調査し,これらの疑問に答える。
論文 参考訳(メタデータ) (2023-02-09T17:57:02Z) - DC-Check: A Data-Centric AI checklist to guide the development of
reliable machine learning systems [81.21462458089142]
データ中心のAIは、信頼できるエンドツーエンドパイプラインを可能にする統一パラダイムとして登場しています。
データ中心の考慮事項を抽出する実行可能なチェックリストスタイルのフレームワークであるDC-Checkを提案する。
この開発におけるデータ中心のレンズは、システム開発に先立って思考力と透明性を促進することを目的としている。
論文 参考訳(メタデータ) (2022-11-09T17:32:09Z) - Desiderata for next generation of ML model serving [0.34410212782758054]
本稿では,次世代の推論プラットフォームが目指すべき重要な特徴について述べる。
包括的な設計パターンはデータ中心性であり、MLシステム操作におけるよりスマートな監視を可能にする。
論文 参考訳(メタデータ) (2022-10-26T12:29:25Z) - An Empirical Evaluation of Flow Based Programming in the Machine
Learning Deployment Context [11.028123436097616]
データ指向アーキテクチャ(DOA)は,課題に対処する上で,データサイエンティストやソフトウェア開発者を支援する,新たなアプローチである。
本稿では,フローベースプログラミング(FBP)をDOAアプリケーション作成のパラダイムとして考える。
我々は、典型的なデータサイエンスプロジェクトを表す4つのアプリケーション上で、MLデプロイメントの文脈において、FBPを実証的に評価する。
論文 参考訳(メタデータ) (2022-04-27T09:08:48Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Machine Learning for Naval Architecture, Ocean and Marine Engineering [0.0]
この記事では、海軍アーキテクチャ、海洋工学、海洋工学における機械学習アルゴリズムの適用についてレビューする。
本稿では, 波高予測, 船舶の風荷重計算, オフショアプラットホームの損傷検出, 船体付加抵抗の計算など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
論文 参考訳(メタデータ) (2021-09-01T09:36:12Z) - Exploring the potential of flow-based programming for machine learning
deployment in comparison with service-oriented architectures [8.677012233188968]
理由のひとつは、データ収集と分析に関するアクティビティのために設計されていないインフラストラクチャである、と私たちは論じています。
本稿では,データストリームを用いたフローベースのプログラミングを,ソフトウェアアプリケーション構築に広く使用されるサービス指向アーキテクチャの代替として検討する。
論文 参考訳(メタデータ) (2021-08-09T15:06:02Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z)
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。