論文の概要: Towards an MLOps Architecture for XAI in Industrial Applications
- arxiv url: http://arxiv.org/abs/2309.12756v1
- Date: Fri, 22 Sep 2023 09:56:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 15:13:10.179242
- Title: Towards an MLOps Architecture for XAI in Industrial Applications
- Title（参考訳）: 産業アプリケーションにおけるXAIのためのMLOpsアーキテクチャを目指して
- Authors: Leonhard Faubel, Thomas Woudsma, Leila Methnani, Amir Ghorbani
Ghezeljhemeidan, Fabian Buelow, Klaus Schmid, Willem D. van Driel, Benjamin
Kloepper, Andreas Theodorou, Mohsen Nosratinia, and Magnus B\r{a}ng
- Abstract要約: 機械学習(ML)は、業務の改善、効率の向上、コスト削減を支援するため、産業分野で人気の高いツールとなっている。
残りのMLOps(Machine Learning Operations)の課題のひとつは、説明の必要性だ。
我々はMLOpsソフトウェアアーキテクチャを開発し、ML開発とデプロイメントプロセスに説明とフィードバック機能を統合するという課題に対処した。
- 参考スコア（独自算出の注目度）: 2.0457031151514977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) has become a popular tool in the industrial sector as
it helps to improve operations, increase efficiency, and reduce costs. However,
deploying and managing ML models in production environments can be complex.
This is where Machine Learning Operations (MLOps) comes in. MLOps aims to
streamline this deployment and management process. One of the remaining MLOps
challenges is the need for explanations. These explanations are essential for
understanding how ML models reason, which is key to trust and acceptance.
Better identification of errors and improved model accuracy are only two
resulting advantages. An often neglected fact is that deployed models are
bypassed in practice when accuracy and especially explainability do not meet
user expectations. We developed a novel MLOps software architecture to address
the challenge of integrating explanations and feedback capabilities into the ML
development and deployment processes. In the project EXPLAIN, our architecture
is implemented in a series of industrial use cases. The proposed MLOps software
architecture has several advantages. It provides an efficient way to manage ML
models in production environments. Further, it allows for integrating
explanations into the development and deployment processes.
- Abstract（参考訳）: 機械学習(ML)は、業務の改善、効率の向上、コスト削減を支援するため、産業分野で人気の高いツールとなっている。
しかし、本番環境におけるmlモデルのデプロイと管理は複雑である。
これが機械学習オペレーション(MLOps)の出番です。
MLOpsはこのデプロイメントと管理プロセスの合理化を目指している。
残りのMLOpsの課題のひとつは、説明の必要性だ。
これらの説明は、MLが理由をどうモデル化するかを理解するのに不可欠である。
エラーのより良い識別とモデルの精度の改善は、結果として生じる2つの利点にすぎない。
しばしば無視される事実は、デプロイされたモデルは、正確性、特に説明可能性がユーザの期待を満たさない場合に、実際にバイパスされる。
我々はMLOpsソフトウェアアーキテクチャを開発し、ML開発とデプロイメントプロセスに説明とフィードバック機能を統合するという課題に対処した。
プロジェクトEXPLAINでは、アーキテクチャを一連の産業ユースケースで実装しています。
提案されたmlopsソフトウェアアーキテクチャにはいくつかの利点がある。
プロダクション環境でMLモデルを効率的に管理する方法を提供する。
さらに、開発プロセスとデプロイメントプロセスに説明を統合することもできる。
関連論文リスト
- LLaVA-KD: A Framework of Distilling Multimodal Large Language Models [70.19607283302712]
本稿では,l-MLLMからs-MLLMへ知識を伝達する新しいフレームワークを提案する。
具体的には,l-MLLMとs-MLLMの視覚的テキスト出力分布のばらつきを最小限に抑えるために,MDist(Multimodal Distillation)を導入する。
また,S-MLLMの可能性を完全に活用するための3段階学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-21T17:41:28Z) - CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。
そこで本研究では,学習バランスを定量的に評価する尺度を提案する。
さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
論文 参考訳（メタデータ） (2024-07-29T23:18:55Z) - Knowledge Plugins: Enhancing Large Language Models for Domain-Specific
Recommendations [50.81844184210381]
本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。
このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
論文 参考訳（メタデータ） (2023-11-16T07:09:38Z) - CRAFT: Customizing LLMs by Creating and Retrieving from Specialized
Toolsets [75.64181719386497]
大規模言語モデル(LLM)のためのツール作成・検索フレームワークであるCRAFTを提案する。
タスク用に特別にキュレートされたツールセットを作成し、複雑なタスクを解決する能力を高めるためにこれらのセットからツールを取得するコンポーネントをLLMに装備する。
本手法はフレキシブルに設計されており,既製のLCMを細かな調整なしに未確認領域やモダリティに適応するためのプラグアンドプレイ方式を提供する。
論文 参考訳（メタデータ） (2023-09-29T17:40:26Z) - MLOps: A Step Forward to Enterprise Machine Learning [0.0]
この研究は、MLOps、そのメリット、困難、進化、および重要な基盤技術に関する詳細なレビューを提示する。
MLOpsワークフローは、モデルとデータ探索とデプロイメントの両方に必要なさまざまなツールとともに、詳細に説明されている。
この記事では、さまざまな成熟度の高い自動パイプラインを使用して、MLプロジェクトのエンドツーエンド生産にも光を当てます。
論文 参考訳（メタデータ） (2023-05-27T20:44:14Z) - MLCopilot: Unleashing the Power of Large Language Models in Solving
Machine Learning Tasks [31.733088105662876]
我々は、新しいフレームワークを導入することで、機械学習と人間の知識のギャップを埋めることを目指している。
本稿では、構造化された入力を理解するためのLLMの能力を拡張し、新しいMLタスクを解くための徹底的な推論を行う可能性を示す。
論文 参考訳（メタデータ） (2023-04-28T17:03:57Z) - Reasonable Scale Machine Learning with Open-Source Metaflow [2.637746074346334]
既存のツールを再購入しても、現在の生産性の問題は解決しない、と私たちは主張します。
私たちは、データ実践者の生産性を高めるために明示的に設計された、MLプロジェクトのためのオープンソースのフレームワークであるMetaflowを紹介します。
論文 参考訳（メタデータ） (2023-03-21T11:28:09Z) - SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT [9.477629856092218]
本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
論文 参考訳（メタデータ） (2022-07-18T13:06:21Z) - 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) - 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)
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。