論文の概要: On the Interaction between Software Engineers and Data Scientists when building Machine Learning-Enabled Systems

• arxiv url: http://arxiv.org/abs/2402.05334v1
• Date: Thu, 8 Feb 2024 00:27:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 17:13:04.768585
• Title: On the Interaction between Software Engineers and Data Scientists when building Machine Learning-Enabled Systems
• Title（参考訳）: 機械学習システム構築におけるソフトウェアエンジニアとデータサイエンティストの相互作用について
• Authors: Gabriel Busquim, Hugo Villamizar, Maria Julia Lima, Marcos Kalinowski
• Abstract要約: 機械学習(ML)コンポーネントは、組織のコアシステムにますます統合されています。 重要な課題の1つは、緊密に連携する必要がある異なるバックグラウンドを持つアクター間の効果的な相互作用である。 本稿では,MLプロジェクトにおけるこれらの役割間の相互作用と協調のダイナミクスを理解するための探索ケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 1.2184324428571227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Machine Learning (ML) components have been increasingly integrated into the core systems of organizations. Engineering such systems presents various challenges from both a theoretical and practical perspective. One of the key challenges is the effective interaction between actors with different backgrounds who need to work closely together, such as software engineers and data scientists. This paper presents an exploratory case study to understand the current interaction and collaboration dynamics between these roles in ML projects. We conducted semi-structured interviews with four practitioners with experience in software engineering and data science of a large ML-enabled system project and analyzed the data using reflexive thematic analysis. Our findings reveal several challenges that can hinder collaboration between software engineers and data scientists, including differences in technical expertise, unclear definitions of each role's duties, and the lack of documents that support the specification of the ML-enabled system. We also indicate potential solutions to address these challenges, such as fostering a collaborative culture, encouraging team communication, and producing concise system documentation. This study contributes to understanding the complex dynamics between software engineers and data scientists in ML projects and provides insights for improving collaboration and communication in this context. We encourage future studies investigating this interaction in other projects.
• Abstract（参考訳）: 近年、機械学習(ML)コンポーネントは組織のコアシステムにますます統合されています。 このようなシステムの設計は、理論と実践の両方の観点から様々な課題を提示している。 重要な課題の1つは、ソフトウェアエンジニアやデータサイエンティストなど、密接に協力する必要がある異なるバックグラウンドを持つアクター間の効果的な相互作用である。 本稿では,MLプロジェクトにおけるこれらの役割間の相互作用と協調のダイナミクスを理解するための探索ケーススタディを提案する。 大規模ml対応システムプロジェクトのソフトウェア工学とデータサイエンスの経験を持つ4人の実践者との半構造化インタビューを行い,反射的テーマ分析を用いて分析を行った。 この結果から,ソフトウェア技術者とデータサイエンティストのコラボレーションを妨げるいくつかの課題が明らかになった。技術的専門性の違い,各ロールの責務の明確な定義,ML対応システムの仕様をサポートする文書の欠如などだ。 また、コラボレーション文化の育成、チームコミュニケーションの促進、簡潔なシステムドキュメントの作成など、これらの課題に対処する潜在的なソリューションも示しています。 この研究は、MLプロジェクトのソフトウェアエンジニアとデータサイエンティストの間の複雑なダイナミクスを理解し、この文脈におけるコラボレーションとコミュニケーションを改善するための洞察を提供する。 我々は、他のプロジェクトでこの相互作用を研究する将来の研究を奨励する。

関連論文リスト

• Towards Effective Collaboration between Software Engineers and Data Scientists developing Machine Learning-Enabled Systems [1.1153433121962064]
  機械学習(ML)対応システムの開発には、いくつかの社会的および技術的な課題が含まれている。 本稿は,これらのシステム構築における2つの重要なアクター – ソフトウェアエンジニアとデータサイエンティスト – のコラボレーションを強化する方法を理解することを目的としている。 我々の研究は、これらのアクター間のコラボレーションが、ML対応システムを効果的に開発する上で重要であることを発見した。
  論文  参考訳（メタデータ） (2024-07-22T17:35:18Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Vision+X: A Survey on Multimodal Learning in the Light of Data [64.03266872103835]
  様々なソースからのデータを組み込んだマルチモーダル機械学習が,ますます普及している研究分野となっている。 我々は、視覚、音声、テキスト、動きなど、各データフォーマットの共通点と特異点を分析する。 本稿では,表現学習と下流アプリケーションレベルの両方から,マルチモーダル学習に関する既存の文献を考察する。
  論文  参考訳（メタデータ） (2022-10-05T13:14:57Z)
• Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
  本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。 本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。 最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
  論文  参考訳（メタデータ） (2022-09-07T19:21:19Z)
• Assessing the Quality of Computational Notebooks for a Frictionless Transition from Exploration to Production [1.332560004325655]
  データサイエンティストは、機械学習プロジェクトの爆発的なフェーズから生産フェーズに移行する必要があります。 これら2つのフェーズのギャップを狭めるために、データサイエンティストが採用するツールとプラクティスは、統合されたソフトウェアエンジニアリングソリューションを統合することで改善される可能性がある。 本研究プロジェクトでは,計算ノートと協調する上でのベストプラクティスについて検討し,ガイドライン遵守を促進するための概念実証ツールを提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:13:38Z)
• 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)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)
• 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)
• Enabling collaborative data science development with the Ballet framework [9.424574945499844]
  本稿では,データサイエンスのコラボレーションをスケールするための新しい概念的フレームワークとmlプログラミングモデルを提案する。 Balletはオープンソースのデータサイエンスを共同で行うための軽量ソフトウェアフレームワークです。
  論文  参考訳（メタデータ） (2020-12-14T18:51:23Z)
• Interactive Machine Learning of Musical Gesture [1.370633147306388]
  本章では,対話型機械学習(Interactive Machine Learning, IML)技術の概要について述べる。 我々は、複雑な合成技術と相互作用するなど、異なるタスクを達成するために異なるアルゴリズムがどのように使われるかについて議論する。 本章は,4曲の楽曲開発において,これらの技法のいくつかが著者によってどのように採用されたかを説明するとともに,IMLが音楽実践にもたらす意味を概説した。
  論文  参考訳（メタデータ） (2020-11-26T22:44:54Z)

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。