論文の概要: MLOps: A Multiple Case Study in Industry 4.0

• arxiv url: http://arxiv.org/abs/2407.09107v1
• Date: Fri, 12 Jul 2024 09:17:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 00:07:20.465641
• Title: MLOps: A Multiple Case Study in Industry 4.0
• Title（参考訳）: MLOps: 業界における複数のケーススタディ
• Authors: Leonhard Faubel, Klaus Schmid,
• Abstract要約: MLOpsは、MLモデルを確実かつ効率的に開発、テスト、デプロイ、管理するために使用されるプロセス、ツール、組織構造を指す。 本研究は,企業4.0のシナリオを4つ説明し,その実装と,多数のプロジェクトで直面した課題について,関連する知見を提供する。
• 参考スコア（独自算出の注目度）: 0.8287206589886879
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Machine Learning (ML) becomes more prevalent in Industry 4.0, there is a growing need to understand how systematic approaches to bringing ML into production can be practically implemented in industrial environments. Here, MLOps comes into play. MLOps refers to the processes, tools, and organizational structures used to develop, test, deploy, and manage ML models reliably and efficiently. However, there is currently a lack of information on the practical implementation of MLOps in industrial enterprises. To address this issue, we conducted a multiple case study on MLOps in three large companies with dedicated MLOps teams, using established tools and well-defined model deployment processes in the Industry 4.0 environment. This study describes four of the companies' Industry 4.0 scenarios and provides relevant insights into their implementation and the challenges they faced in numerous projects. Further, we discuss MLOps processes, procedures, technologies, as well as contextual variations among companies.
• Abstract（参考訳）: 機械学習(ML)が産業4.0で普及するにつれて、産業環境においてMLを本番環境に導入するための体系的なアプローチをどのように実践できるかを理解する必要性が高まっている。 ここでMLOpsが活躍する。 MLOpsは、MLモデルを確実かつ効率的に開発、テスト、デプロイ、管理するために使用されるプロセス、ツール、組織構造を指す。 しかし、現在、産業におけるMLOpsの実践的実装に関する情報が不足している。 この問題に対処するため、私たちは、MLOps専用のチームを持つ3つの大企業でMLOpsに関する複数のケーススタディを実施しました。 本研究は,企業4.0のシナリオを4つ説明し,その実装と,多数のプロジェクトで直面した課題について,関連する知見を提供する。 さらに、MLOpsプロセス、プロシージャ、技術、企業間のコンテキスト変化についても論じる。

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)
• MMAD: The First-Ever Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection [66.05200339481115]
  本稿では,産業異常検出における最初のフルスペクトルMLLMベンチマークであるMMADを提案する。 産業検査におけるMLLMの7つの重要なサブタスクを定義し,MMADデータセットを生成するための新しいパイプラインを設計した。 MMADを用いて,様々な最先端MLLMの包括的,定量的評価を行った。
  論文  参考訳（メタデータ） (2024-10-12T09:16:09Z)
• Machine Learning Operations: A Mapping Study [0.0]
  この記事では、MLOpsパイプラインのいくつかのコンポーネントに存在する問題について論じる。 MLOpsシステムで発生する課題を、異なる焦点領域に分類するために、システマティックマッピング研究が実施されている。 この研究の主な価値は、MLOpsの独特な課題と、私たちの研究で概説された推奨された解決策をマッピングすることです。
  論文  参考訳（メタデータ） (2024-09-28T17:17:40Z)
• A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
  MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。 本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
  論文  参考訳（メタデータ） (2024-08-02T15:14:53Z)
• The Synergy between Data and Multi-Modal Large Language Models: A Survey from Co-Development Perspective [53.48484062444108]
  モデルとデータの開発は2つの別々のパスではなく、むしろ相互接続であることがわかった。 一方,MLLMはデータ開発に役立てることができるため,MLLMの性能向上に寄与する。 MLLMコミュニティにおけるデータモデル共同開発を促進するために,データモデル共同開発の観点からMLLMに関連する既存の研究を体系的にレビューする。
  論文  参考訳（メタデータ） (2024-07-11T15:08:11Z)
• Towards the implementation of Industry 4.0: A methodology-based approach oriented to the customer life cycle [0.05524804393257919]
  我々は、これらの中小企業のソフトウェアエンジニアが顧客ライフサイクルの文脈に産業用4.0技術を組み込むのに役立つ2つのコントリビューションを提示します。 最初のコントリビューションは、Industrial 4.0に準拠した、新しいソフトウェアサービスを開発するタスクにおいて、これらのソフトウェアエンジニアを支援する方法論である。 第2のコントリビューションは、提案手法を用いて、実際の製造シナリオのために開発されたシステムである。
  論文  参考訳（メタデータ） (2024-01-31T08:31:08Z)
• Towards an MLOps Architecture for XAI in Industrial Applications [2.0457031151514977]
  機械学習(ML)は、業務の改善、効率の向上、コスト削減を支援するため、産業分野で人気の高いツールとなっている。 残りのMLOps(Machine Learning Operations)の課題のひとつは、説明の必要性だ。 我々はMLOpsソフトウェアアーキテクチャを開発し、ML開発とデプロイメントプロセスに説明とフィードバック機能を統合するという課題に対処した。
  論文  参考訳（メタデータ） (2023-09-22T09:56:25Z)
• A Survey on Multimodal Large Language Models [71.63375558033364]
  GPT-4Vで表されるマルチモーダル大言語モデル(MLLM)は、新たな研究ホットスポットとなっている。 本稿では,MLLMの最近の進歩を追跡・要約することを目的とする。
  論文  参考訳（メタデータ） (2023-06-23T15:21:52Z)
• Machine Learning Operations (MLOps): Overview, Definition, and Architecture [0.0]
  機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。 MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。 必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
  論文  参考訳（メタデータ） (2022-05-04T19:38:48Z)
• 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。