論文の概要: A Synthesis of Green Architectural Tactics for ML-Enabled Systems
- arxiv url: http://arxiv.org/abs/2312.09610v2
- Date: Wed, 02 Oct 2024 13:42:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:18:31.993990
- Title: A Synthesis of Green Architectural Tactics for ML-Enabled Systems
- Title（参考訳）: ML-Enabledシステムのためのグリーンアーキテクチャ手法の一構成法
- Authors: Heli Järvenpää, Patricia Lago, Justus Bogner, Grace Lewis, Henry Muccini, Ipek Ozkaya,
- Abstract要約: ML対応システムのための30のグリーンアーキテクチャ戦略のカタログを提供する。
アーキテクチャ戦術は、ソフトウェア品質を改善するための高度な設計手法である。
透明性を高め、その普及を促進するため、我々はオンラインで簡単に消費可能なフォーマットで戦術を利用できるようにした。
- 参考スコア（独自算出の注目度）: 9.720968127923925
- License:
- Abstract: The rapid adoption of artificial intelligence (AI) and machine learning (ML) has generated growing interest in understanding their environmental impact and the challenges associated with designing environmentally friendly ML-enabled systems. While Green AI research, i.e., research that tries to minimize the energy footprint of AI, is receiving increasing attention, very few concrete guidelines are available on how ML-enabled systems can be designed to be more environmentally sustainable. In this paper, we provide a catalog of 30 green architectural tactics for ML-enabled systems to fill this gap. An architectural tactic is a high-level design technique to improve software quality, in our case environmental sustainability. We derived the tactics from the analysis of 51 peer-reviewed publications that primarily explore Green AI, and validated them using a focus group approach with three experts. The 30 tactics we identified are aimed to serve as an initial reference guide for further exploration into Green AI from a software engineering perspective, and assist in designing sustainable ML-enabled systems. To enhance transparency and facilitate their widespread use and extension, we make the tactics available online in easily consumable formats. Wide-spread adoption of these tactics has the potential to substantially reduce the societal impact of ML-enabled systems regarding their energy and carbon footprint.
- Abstract（参考訳）: 人工知能(AI)と機械学習(ML)の急速な普及は、その環境への影響と、環境に優しいML対応システムの設計に関わる課題を理解することへの関心が高まっている。
グリーンAIの研究、すなわち、AIのエネルギーフットプリントを最小化しようとする研究は注目されているが、ML対応システムがより環境的に持続可能なように設計された設計方法に関する具体的なガイドラインはほとんどない。
本稿では,ML対応システムにおいて,このギャップを埋めるための30のグリーンアーキテクチャ戦略のカタログを提供する。
アーキテクチャ戦術は、ソフトウェアの品質を改善するための高いレベルの設計手法である。
我々は、グリーンAIを主に探求する51の査読論文の分析からこの戦術を導き、これらを3人の専門家によるフォーカスグループアプローチを用いて検証した。
私たちが特定した30の戦術は、ソフトウェアエンジニアリングの観点からグリーンAIをさらに探求するための最初のリファレンスガイドとして機能し、持続可能なML対応システムの設計を支援することを目的としています。
透明性を高め,その普及と拡張を促進するために,我々は,オンラインで簡単に消費可能なフォーマットで戦略を利用できるようにした。
これらの戦術を広く採用することで、ML対応システムのエネルギーと炭素フットプリントに対する社会的影響を大幅に減少させる可能性がある。
関連論文リスト
- Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study [10.997873336451498]
機械学習(ML)と人工知能(AI)技術は、社会でますます普及している。
グリーンAIは応答として現れ、精度を維持しながらAIの計算要求を減らすことを提唱している。
本稿では,GitHub上の168のオープンソースプロジェクトにおけるグリーン戦略の適用性を評価する,マイニングソフトウェアリポジトリの研究について述べる。
論文 参考訳（メタデータ） (2024-10-09T09:27:07Z) - Green Federated Learning: A new era of Green Aware AI [11.536626349203361]
フェデレートラーニング(FL)は、このニーズに対処する新たな機会を提供する。
グリーンアウェアなAIアルゴリズムの既存の取り組みとギャップをナビゲートし、理解するためのロードマップを、研究者、ステークホルダ、関心のある関係者に提供することが重要です。
この調査は主に、100を超えるFL作品を特定し分析することで、この目的を達成することを目的としている。
論文 参考訳（メタデータ） (2024-09-19T09:54:18Z) - Towards Green AI: Current status and future research [0.3749861135832072]
我々は、環境アセスメントとAIシステムのコードデザインの両方に対するアプローチの現状を調査することで、グリーンAIに関する言論を広げることを目指している。
我々は、関連する計算ハードウェアの炭素フットプリントを例示的に推定し、グリーンAIの手法をさらに調査する必要性を強調する。
AIを活用することで、AI4greenAIという独自の環境課題を軽減できると考えています。
論文 参考訳（メタデータ） (2024-05-01T08:10:01Z) - Learn to Code Sustainably: An Empirical Study on LLM-based Green Code
Generation [7.8273713434806345]
生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。
3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
論文 参考訳（メタデータ） (2024-03-05T22:12:01Z) - Highlighting the Safety Concerns of Deploying LLMs/VLMs in Robotics [54.57914943017522]
本稿では,大規模言語モデル (LLMs) と視覚言語モデル (VLMs) をロボティクスアプリケーションに統合する際のロバスト性と安全性に関する重要な課題を強調する。
論文 参考訳（メタデータ） (2024-02-15T22:01:45Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Efficiency is Not Enough: A Critical Perspective of Environmentally
Sustainable AI [9.918392710009774]
効率だけではMLを環境的に持続できる技術にするには不十分である、と我々は主張する。
我々は,MLの環境持続可能性向上に向けたシステム思考の実践的道として,システム思考を論じる。
論文 参考訳（メタデータ） (2023-09-05T09:07:24Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。
本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:57:27Z) - 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。