論文の概要: Lessons from Usable ML Deployments and Application to Wind Turbine Monitoring

• arxiv url: http://arxiv.org/abs/2312.02859v1
• Date: Tue, 5 Dec 2023 16:13:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 15:09:47.731898
• Title: Lessons from Usable ML Deployments and Application to Wind Turbine Monitoring
• Title（参考訳）: 利用可能なmlデプロイメントからの教訓と風力タービンモニタリングへの応用
• Authors: Alexandra Zytek, Wei-En Wang, Sofia Koukoura, and Kalyan Veeramachaneni
• Abstract要約: 使用可能なML(説明可能なMLを超える1ステップ)を、説明可能なMLを越える1ステップとします。 これらの教訓を風力タービン監視の課題に適用する。 再生可能エネルギー領域におけるMLの現実的影響を実証したい。
• 参考スコア（独自算出の注目度）: 47.418845064441605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Through past experiences deploying what we call usable ML (one step beyond explainable ML, including both explanations and other augmenting information) to real-world domains, we have learned three key lessons. First, many organizations are beginning to hire people who we call ``bridges'' because they bridge the gap between ML developers and domain experts, and these people fill a valuable role in developing usable ML applications. Second, a configurable system that enables easily iterating on usable ML interfaces during collaborations with bridges is key. Finally, there is a need for continuous, in-deployment evaluations to quantify the real-world impact of usable ML. Throughout this paper, we apply these lessons to the task of wind turbine monitoring, an essential task in the renewable energy domain. Turbine engineers and data analysts must decide whether to perform costly in-person investigations on turbines to prevent potential cases of brakepad failure, and well-tuned usable ML interfaces can aid with this decision-making process. Through the applications of our lessons to this task, we hope to demonstrate the potential real-world impact of usable ML in the renewable energy domain.
• Abstract（参考訳）: 実世界のドメインに使用可能なML(説明とその他の拡張情報を含む、説明可能なML以上のもの)をデプロイした過去経験を通じて、私たちは3つの重要な教訓を学びました。 まず、多くの組織は、‘ブリッジ’と呼ばれる人を雇用し始めています。それは、ml開発者とドメインエキスパートの間のギャップを埋めるためです。 第二に、ブリッジとのコラボレーション中に使用可能なMLインターフェースを簡単にイテレーションできる構成可能なシステムが重要である。 最後に、使用可能なMLの実際の影響を定量化するために、継続的、デプロイ中の評価が必要である。 本稿では,これらを再生可能エネルギー分野における重要な課題である風力タービンモニタリングの課題に適用する。 タービンエンジニアとデータアナリストは、ブレーキパッド故障の潜在的なケースを防ぐためにタービンの対人調査を行うかどうかを判断しなければならない。 この課題への我々の教訓の適用を通じて、再生可能エネルギー領域におけるMLの現実世界への影響を実証したいと考えている。

関連論文リスト

• 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)
• Generative AI-in-the-loop: Integrating LLMs and GPTs into the Next Generation Networks [11.509880721677156]
  大規模言語モデル(LLM)が最近登場し、認知タスクにおけるほぼ人間レベルのパフォーマンスを実証している。 次世代AI-in-the-loop」の概念を提案する。 LLMとMLモデルを組み合わせることで、それぞれの能力を活用し、どちらのモデルよりも優れた結果が得られると考えています。
  論文  参考訳（メタデータ） (2024-06-06T17:25:07Z)
• Professional Insights into Benefits and Limitations of Implementing MLOps Principles [4.188979489866561]
  機械学習オペレーション(MLOps)は、マシンラーニングアプリケーションのデプロイとメンテナンスに開発、テスト、運用を組み合わせる一連のプラクティスとして登場した。 オンライン教師あり学習におけるMLOps原則のメリットと限界を評価する。
  論文  参考訳（メタデータ） (2024-03-19T19:40:41Z)
• Reliable, Adaptable, and Attributable Language Models with Retrieval [144.26890121729514]
  パラメトリック言語モデル(LM)は大量のWebデータに基づいて訓練されている。 幻覚、新しいデータ分布への適応の困難、妥当性の欠如など、実践的な課題に直面している。 我々は、次世代のLMとしてパラメトリックLMを置き換えるための検索拡張LMを提唱する。
  論文  参考訳（メタデータ） (2024-03-05T18:22:33Z)
• From Summary to Action: Enhancing Large Language Models for Complex Tasks with Open World APIs [62.496139001509114]
  大規模な現実世界のAPIを制御するために設計された新しいツール呼び出しパイプラインを導入します。 このパイプラインは人間のタスク解決プロセスを反映し、複雑な実際のユーザクエリに対処する。 ToolBenchベンチマークにおけるSum2Actパイプラインの実証的な評価は、大幅なパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2024-02-28T08:42:23Z)
• Holistic Autonomous Driving Understanding by Bird's-Eye-View Injected Multi-Modal Large Models [76.99140362751787]
  我々は17のサブタスクで91Kのマルチビュービデオ-QAペアを持つ新しいデータセットであるNuInstructを提案する。 また,BirdのEye-View特徴を効率的に抽出するエンドツーエンド手法であるBEV-InMLLMを提案する。
  論文  参考訳（メタデータ） (2024-01-02T01:54:22Z)
• 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)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• 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)
• Machine Learning for a Sustainable Energy Future [8.421378169245827]
  機械学習によるエネルギー研究の最近の進歩を概観する。 我々は,エネルギー収穫の発展にMLを適用した最新の技術について論じ,評価を行った。 我々は、MLの適用によるさらなる利益を目論むエネルギー分野の潜在的研究分野の展望を提供する。
  論文  参考訳（メタデータ） (2022-10-19T08:59:53Z)

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。