Fugu-MT 論文翻訳(概要): MLOps: A Review

論文の概要: MLOps: A Review

arxiv url: http://arxiv.org/abs/2308.10908v1
Date: Sat, 19 Aug 2023 19:24:57 GMT
ステータス: 処理完了
システム内更新日: 2023-08-23 14:23:53.642941
Title: MLOps: A Review
Title（参考訳）: MLOps: レビュー
Authors: Samar Wazir, Gautam Siddharth Kashyap, Parag Saxena
Abstract要約: 本研究では,機械学習操作(MLOps)の意義について検討した。簡単に使えるソフトウェアの開発を支援するために、著者らはMLOpsメソッドを研究している。
参考スコア（独自算出の注目度）: 1.1510009152620668
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, Machine Learning (ML) has become a widely accepted method for significant progress that is rapidly evolving. Since it employs computational methods to teach machines and produce acceptable answers. The significance of the Machine Learning Operations (MLOps) methods, which can provide acceptable answers for such problems, is examined in this study. To assist in the creation of software that is simple to use, the authors research MLOps methods. To choose the best tool structure for certain projects, the authors also assess the features and operability of various MLOps methods. A total of 22 papers were assessed that attempted to apply the MLOps idea. Finally, the authors admit the scarcity of fully effective MLOps methods based on which advancements can self-regulate by limiting human engagement.
Abstract（参考訳）: 近年,機械学習(ML)は急速に進歩している重要な進歩の方法として広く受け入れられている。機械を教えるために計算手法を用いており、許容できる答えを生み出している。本研究では,このような問題に対して許容できる回答を提供する機械学習操作(MLOps)手法の重要性について検討した。簡単に使えるソフトウェアの開発を支援するために、著者らはMLOpsメソッドを研究している。特定のプロジェクトの最適なツール構造を選択するために、著者らは様々なmlopsメソッドの特徴と操作性を評価する。 MLOpsのアイデアを適用しようとする合計22の論文が評価された。最後に,人間のエンゲージメントを制限して自己制御できるMLOps手法が不十分であることを認めた。

関連論文リスト

MME-Survey: A Comprehensive Survey on Evaluation of Multimodal LLMs [97.94579295913606]
MLLM(Multimodal Large Language Models)は、産業と学術の両方から注目を集めている。開発プロセスでは、モデルの改善に関する直感的なフィードバックとガイダンスを提供するため、評価が重要である。この研究は、研究者に異なるニーズに応じてMLLMを効果的に評価する方法を簡単に把握し、より良い評価方法を促すことを目的としている。
論文参考訳（メタデータ） (2024-11-22T18:59:54Z)
Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
論文参考訳（メタデータ） (2024-10-28T09:34:08Z)
A Multivocal Review of MLOps Practices, Challenges and Open Issues [9.227450931458907]
MLOpsに関する総合的な知識を提供するため,150の学術研究と48のグレー文学の多言語文献レビュー(MLR)を実施している。複雑なパイプラインの開発と運用、大規模生産の管理、アーティファクトの管理、品質、セキュリティ、ガバナンス、倫理的側面の確保など、さまざまな分野に関するMLOpsのプラクティスや採用課題、ソリューションの出現を特定します。
論文参考訳（メタデータ） (2024-06-14T05:47:13Z)
Machine learning in business process management: A systematic literature review [0.0]
機械学習(ML)は、明示的にプログラムすることなく、データに基づいてコンピュータプログラムを作成するアルゴリズムを提供する。 MLを使用する3つの頻繁な例は、予測による意思決定のサポート、正確なプロセスモデルの検出、リソース割り当ての改善である。この研究は、BPMでMLがどのように使われているかについて、初めての徹底的なレビューである。
論文参考訳（メタデータ） (2024-05-26T01:12:24Z)
Efficient Prompting Methods for Large Language Models: A Survey [50.171011917404485]
プロンプティングは、特定の自然言語処理タスクに大規模言語モデル(LLM)を適用するための主流パラダイムとなっている。このアプローチは、LLMの振る舞いをガイドし、制御するために、モデル推論と人間の努力のさらなる計算負担をもたらす。本稿では, 今後の研究の方向性を明らかにするため, 促進, 効率的な促進のための進歩を概説する。
論文参考訳（メタデータ） (2024-04-01T12:19:08Z)
Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
本稿では,既存のMTL手法の効率性に焦点をあてる。バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
論文参考訳（メタデータ） (2024-02-05T22:15:55Z)
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)
MLOps Spanning Whole Machine Learning Life Cycle: A Survey [4.910132890978536]
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。
論文参考訳（メタデータ） (2023-04-13T04:12:38Z)
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)
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-09T08:47:58Z)
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。