論文の概要: An Analysis of MLOps Architectures: A Systematic Mapping Study

• arxiv url: http://arxiv.org/abs/2406.19847v1
• Date: Fri, 28 Jun 2024 11:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 17:00:05.714643
• Title: An Analysis of MLOps Architectures: A Systematic Mapping Study
• Title（参考訳）: MLOpsアーキテクチャの分析:システムマッピング研究
• Authors: Faezeh Amou Najafabadi, Justus Bogner, Ilias Gerostathopoulos, Patricia Lago,
• Abstract要約: 本研究は、アーキテクチャの観点から、MLOpsにおける技術の現状を概観する。 研究者や実践者は、私たちの発見を利用して、MLOpsシステムのアーキテクチャ設計を知らせることができます。
• 参考スコア（独自算出の注目度）: 12.399094410444743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context. Despite the increasing adoption of Machine Learning Operations (MLOps), teams still encounter challenges in effectively applying this paradigm to their specific projects. While there is a large variety of available tools usable for MLOps, there is simultaneously a lack of consolidated architecture knowledge that can inform the architecture design. Objective. Our primary objective is to provide a comprehensive overview of (i) how MLOps architectures are defined across the literature and (ii) which tools are mentioned to support the implementation of each architecture component. Method. We apply the Systematic Mapping Study method and select 43 primary studies via automatic, manual, and snowballing-based search and selection procedures. Subsequently, we use card sorting to synthesize the results. Results. We contribute (i) a categorization of 35 MLOps architecture components, (ii) a description of several MLOps architecture variants, and (iii) a systematic map between the identified components and the existing MLOps tools. Conclusion. This study provides an overview of the state of the art in MLOps from an architectural perspective. Researchers and practitioners can use our findings to inform the architecture design of their MLOps systems.
• Abstract（参考訳）: コンテキスト。 マシンラーニングオペレーション(MLOps)の採用が増加しているにも関わらず、チームは、このパラダイムを特定のプロジェクトに効果的に適用する上で、依然として課題に直面している。 MLOpsにはさまざまな利用可能なツールがありますが、同時にアーキテクチャ設計に影響を及ぼすような統合されたアーキテクチャ知識が欠如しています。 目的。 私たちの主な目的は、包括的な概要を提供することです。 (i)MLOpsアーキテクチャが文献にまたがってどのように定義されるか、そして (ii) どのツールがそれぞれのアーキテクチャコンポーネントの実装をサポートするか。 方法。 本手法を応用し,自動,手動,スノーボールによる探索と選択による43の初等研究を選定する。 その後、カードソートを用いて結果を合成する。 結果。 コントリビューション i)35のMLOpsアーキテクチャコンポーネントの分類。 (二)いくつかのMLOpsアーキテクチャの変種、及び (iii) 特定されたコンポーネントと既存のMLOpsツールのシステマティックマップ。 結論。 本研究はアーキテクチャの観点から,MLOpsの最先端技術の概要を提供する。 研究者や実践者は、私たちの発見を利用して、MLOpsシステムのアーキテクチャ設計を知らせることができます。

関連論文リスト

• A Survey of Model Architectures in Information Retrieval [64.75808744228067]
  機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• A quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
  本研究では,MLシステムにおけるアーキテクチャパターンの定量的評価のための枠組みを提案する。 コスト効率のよいCPUベースの推論のためのスケーラビリティとパフォーマンスメトリクスに注目します。
  論文  参考訳（メタデータ） (2025-01-20T15:30:09Z)
• Comparison of Static Analysis Architecture Recovery Tools for Microservice Applications [41.962720602828085]
  本稿では,マイクロサービスアプリケーションのためのアーキテクチャ回復ツールの同定を目的とした,多言語文献レビューの結果について述べる。 最高性能のツールはF1スコア0.86であった。 F1スコア0.91の4つのツールの組み合わせにより,複数のツールを組み合わせることで回復精度を高める可能性を検討した。
  論文  参考訳（メタデータ） (2024-12-11T12:46:16Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• Enhancing Architecture Frameworks by Including Modern Stakeholders and their Views/Viewpoints [48.87872564630711]
  データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
  論文  参考訳（メタデータ） (2023-08-09T21:54:34Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)
• A Compositional Approach to Creating Architecture Frameworks with an Application to Distributed AI Systems [16.690434072032176]
  構成的思考が複雑なシステムのためのアーキテクチャフレームワークの作成と管理のルールをいかに提供できるかを示す。 論文の目的は、AIシステム特有の視点やアーキテクチャモデルを提供することではなく、既存の、または新しく作成された視点で一貫したフレームワークを構築する方法についてのガイドラインを提供することである。
  論文  参考訳（メタデータ） (2022-12-27T18:05:02Z)
• Mining Architectural Information: A Systematic Mapping Study [7.3755596064775215]
  建築情報マイニングに関する文献がどのような文献で利用できるかは明らかになっていない。 建築情報のマイニングに関する文献を特定し,分析し,合成することを目的としている。
  論文  参考訳（メタデータ） (2022-12-26T14:57:38Z)
• Multi-Perspective LSTM for Joint Visual Representation Learning [81.21490913108835]
  複数の視点から捉えた視覚的シーケンスで利用可能な内的および対外的関係を学習できる新しいLSTM細胞アーキテクチャを提案する。 私たちのアーキテクチャは、細胞レベルで追加のゲートと記憶を使用する新しい繰り返し共同学習戦略を採用しています。 提案するセルを用いてネットワークを構築することにより、より効果的でリッチな視覚的表現が認識タスクで学習されることを示す。
  論文  参考訳（メタデータ） (2021-05-06T16:44:40Z)

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。