論文の概要: An Exploratory Study of V-Model in Building ML-Enabled Software: A Systems Engineering Perspective

• arxiv url: http://arxiv.org/abs/2308.05381v4
• Date: Sun, 5 May 2024 05:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 01:06:19.536776
• Title: An Exploratory Study of V-Model in Building ML-Enabled Software: A Systems Engineering Perspective
• Title（参考訳）: ML対応ソフトウェア構築におけるVモデルの探索的研究:システム工学的視点
• Authors: Jie JW Wu,
• Abstract要約: 機械学習(ML)コンポーネントは、ますます重要で影響力のあるソフトウェアシステムに追加されている。 本研究は,ML対応システム構築における学際的コラボレーション課題へのV-Modelの適用について検討する。
• 参考スコア（独自算出の注目度）: 0.7252027234425334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) components are being added to more and more critical and impactful software systems, but the software development process of real-world production systems from prototyped ML models remains challenging with additional complexity and interdisciplinary collaboration challenges. This poses difficulties in using traditional software lifecycle models such as waterfall, spiral, or agile models when building ML-enabled systems. In this research, we apply a Systems Engineering lens to investigate the use of V-Model in addressing the interdisciplinary collaboration challenges when building ML-enabled systems. By interviewing practitioners from software companies, we established a set of 8 propositions for using V-Model to manage interdisciplinary collaborations when building products with ML components. Based on the propositions, we found that despite requiring additional efforts, the characteristics of V-Model align effectively with several collaboration challenges encountered by practitioners when building ML-enabled systems. We recommend future research to investigate new process models, frameworks and tools that leverage the characteristics of V-Model such as the system decomposition, clear system boundary, and consistency of Validation & Verification (V&V) for building ML-enabled systems.
• Abstract（参考訳）: 機械学習(ML)コンポーネントは、ますます重要で影響力のあるソフトウェアシステムに追加されているが、プロトタイプのMLモデルから現実のプロダクションシステムのソフトウェア開発プロセスは、さらなる複雑さと学際的なコラボレーションの課題によって、依然として困難である。 これは、ML対応システムを構築する際に、ウォーターフォール、スパイラル、アジャイルモデルといった従来のソフトウェアライフサイクルモデルを使用することに困難をもたらす。 本研究では,ML対応システムを構築する際の学際的コラボレーション課題に対処するために,システム工学のレンズを用いて,V-Modelの使用について検討する。 ソフトウェア企業の実践者たちにインタビューすることで、MLコンポーネントで製品を構築する際に、V-Modelを使って学際的なコラボレーションを管理するための8つの提案を確立しました。 これらの提案に基づき, ML 対応システムの構築において, V-Model の特徴が, 実践者が遭遇するいくつかのコラボレーション課題と効果的に一致していることが判明した。 ML対応システム構築のためのシステム分解やシステム境界の明確化,検証検証(V&V)の整合性といった,Vモデルの特徴を活用する新たなプロセスモデル,フレームワーク,ツールについて,今後の研究を推奨する。

関連論文リスト

• A Large-Scale Study of Model Integration in ML-Enabled Software Systems [4.776073133338119]
  機械学習(ML)とそのシステムへの組み込みは、ソフトウェア集約システムのエンジニアリングを大きく変えた。 伝統的に、ソフトウェアエンジニアリングは、ソースコードやそれらを作成するプロセスなど、手作業で作成したアーティファクトに焦点を当てている。 我々は、GitHub上で2,928以上のオープンソースシステムをカバーする、実際のML対応ソフトウェアシステムに関する最初の大規模な研究を提示する。
  論文  参考訳（メタデータ） (2024-08-12T15:28:40Z)
• A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
  MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。 本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
  論文  参考訳（メタデータ） (2024-08-02T15:14:53Z)
• Model Share AI: An Integrated Toolkit for Collaborative Machine Learning Model Development, Provenance Tracking, and Deployment in Python [0.0]
  モデル共有AI(AIMS)は、コラボレーティブモデル開発、モデル前駆者追跡、モデルデプロイメントを合理化するように設計された、使いやすいMLOpsプラットフォームである。 AIMSは、協調的なプロジェクト空間と、見当たらない評価データに基づいてモデル提出をランク付けする標準化されたモデル評価プロセスを備えている。 AIMSでは、Scikit-Learn、Keras、PyTorch、ONNXで構築されたMLモデルを、ライブREST APIや自動生成されたWebアプリにデプロイすることができる。
  論文  参考訳（メタデータ） (2023-09-27T15:24:39Z)
• Simultaneous Machine Translation with Large Language Models [51.470478122113356]
  我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。 その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-09-13T04:06:47Z)
• Machine Learning-Enabled Software and System Architecture Frameworks [48.87872564630711]
  データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
  論文  参考訳（メタデータ） (2023-08-09T21:54:34Z)
• Understanding the Complexity and Its Impact on Testing in ML-Enabled Systems [8.630445165405606]
  世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。 私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。 本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
  論文  参考訳（メタデータ） (2023-01-10T08:13:24Z)
• More Engineering, No Silos: Rethinking Processes and Interfaces in Collaboration between Interdisciplinary Teams for Machine Learning Projects [4.482886054198202]
  私たちは、機械学習システムを本番環境に構築、デプロイする際にチームが直面する重要なコラボレーションの課題を特定します。 我々は、要求、データ、統合のためのプロダクションMLシステムの開発における共通のコラボレーションポイントと、対応するチームパターンと課題について報告する。
  論文  参考訳（メタデータ） (2021-10-19T20:03:20Z)
• 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)
• Engineering AI Systems: A Research Agenda [9.84673609667263]
  私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。 論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
  論文  参考訳（メタデータ） (2020-01-16T20:29:48Z)

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。