論文の概要: Towards MLOps: A DevOps Tools Recommender System for Machine Learning System

• arxiv url: http://arxiv.org/abs/2402.12867v1
• Date: Tue, 20 Feb 2024 09:57:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 15:54:09.122355
• Title: Towards MLOps: A DevOps Tools Recommender System for Machine Learning System
• Title（参考訳）: mlopsに向けて - マシンラーニングシステムのためのdevopsツール推奨システム
• Authors: Pir Sami Ullah Shah, Naveed Ahmad, Mirza Omer Beg
• Abstract要約: MLOpsと機械学習システムは、要求の従来のシステムとは異なり、新しいデータで進化する。 本稿では,コンテキスト情報を処理するレコメンデーションシステムのためのフレームワークを提案する。 ルールベース,無作為林,決定木およびk-アネレスト近傍の4つの異なるアプローチについて検討した。
• 参考スコア（独自算出の注目度）: 1.065497990128313
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Applying DevOps practices to machine learning system is termed as MLOps and machine learning systems evolve on new data unlike traditional systems on requirements. The objective of MLOps is to establish a connection between different open-source tools to construct a pipeline that can automatically perform steps to construct a dataset, train the machine learning model and deploy the model to the production as well as store different versions of model and dataset. Benefits of MLOps is to make sure the fast delivery of the new trained models to the production to have accurate results. Furthermore, MLOps practice impacts the overall quality of the software products and is completely dependent on open-source tools and selection of relevant open-source tools is considered as challenged while a generalized method to select an appropriate open-source tools is desirable. In this paper, we present a framework for recommendation system that processes the contextual information (e.g., nature of data, type of the data) of the machine learning project and recommends a relevant toolchain (tech-stack) for the operationalization of machine learning systems. To check the applicability of the proposed framework, four different approaches i.e., rule-based, random forest, decision trees and k-nearest neighbors were investigated where precision, recall and f-score is measured, the random forest out classed other approaches with highest f-score value of 0.66.
• Abstract（参考訳）: 機械学習システムへのdevopsプラクティスの適用は、mlopsと呼ばれ、機械学習システムは従来の要件のシステムとは異なり、新しいデータ上で進化する。 mlopsの目的は、さまざまなオープンソースツール間の接続を確立することで、データセット構築のステップを自動実行し、マシンラーニングモデルをトレーニングし、モデルをプロダクションにデプロイし、さまざまなバージョンのモデルとデータセットを保存するパイプラインを構築することだ。 MLOpsのメリットは、トレーニング済みの新しいモデルをプロダクションに迅速にデリバリして、正確な結果を得ることです。 さらに、MLOpsのプラクティスはソフトウェア製品の全体的な品質に影響を与え、オープンソースツールに完全に依存しているため、関連するオープンソースツールの選択は問題視されている。 本稿では、機械学習プロジェクトのコンテキスト情報(例えば、データの性質、データの種類)を処理するレコメンデーションシステムのためのフレームワークを提案し、機械学習システムの運用のための関連するツールチェーン(技術スタック)を推奨する。 提案手法の適用性を確認するため, ルールベース, ランダム林, 決定木, およびk熱応力近傍の4つのアプローチを, 精度, リコール, およびfスコアを測定し, ランダム林はFスコア値0.66の他のアプローチを分類した。

関連論文リスト

• Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning [5.565764053895849]
  実世界の応用における機械学習の重要性を紹介し、MLOpsの台頭を探求する。 MLOpsの進化と従来のソフトウェア開発手法との関係を概観することにより,既存のMLOpsが直面する問題を機械学習に統合し,生産性を向上させる方法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T05:36:28Z)
• OAEI Machine Learning Dataset for Online Model Generation [0.6472397166280683]
  オントロジーアライメント評価イニシアチブ(OAEI)によるオントロジーと知識グラフマッチングシステムの評価 OAEIトラックのほとんどに対して、トレーニング、検証、テストセットを含むデータセットを導入します。
  論文  参考訳（メタデータ） (2024-04-29T09:33:53Z)
• AutoML-GPT: Large Language Model for AutoML [5.9145212342776805]
  包括的なツールとライブラリを統合するAutoML-GPTというフレームワークを確立しました。 会話インターフェースを通じて、ユーザーは要求、制約、評価メトリクスを指定できる。 我々は、AutoML-GPTが機械学習タスクに必要な時間と労力を大幅に削減することを示した。
  論文  参考訳（メタデータ） (2023-09-03T09:39:49Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Enabling Un-/Semi-Supervised Machine Learning for MDSE of the Real-World CPS/IoT Applications [0.5156484100374059]
  我々は、スマートサイバー物理システム(CPS)とIoT(Internet of Things)の現実的なユースケースシナリオに対して、ドメイン固有モデル駆動ソフトウェアエンジニアリング(MDSE)をサポートする新しいアプローチを提案する。 人工知能(AI)の本質において利用可能なデータの大部分はラベルが付けられていないと我々は主張する。したがって、教師なしおよび/または半教師なしのMLアプローチが実践的な選択である。 提案手法は,既存の最先端MDSEツールと完全に実装され,CPS/IoTドメインを提供する。
  論文  参考訳（メタデータ） (2021-07-06T15:51:39Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• 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)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。