論文の概要: A Large-Scale Study of Model Integration in ML-Enabled Software Systems
- arxiv url: http://arxiv.org/abs/2408.06226v2
- Date: Mon, 24 Feb 2025 15:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:51:15.990443
- Title: A Large-Scale Study of Model Integration in ML-Enabled Software Systems
- Title（参考訳）: ML対応ソフトウェアシステムにおけるモデル統合に関する大規模研究
- Authors: Yorick Sens, Henriette Knopp, Sven Peldszus, Thorsten Berger,
- Abstract要約: 機械学習(ML)とそのソフトウェアシステムへの統合は、開発プラクティスを大きく変えました。
本稿では2,928のオープンソースML対応ソフトウェアシステムについて大規模に検討する。
- 参考スコア（独自算出の注目度）: 4.776073133338119
- License:
- Abstract: The rise of machine learning (ML) and its integration into software systems has drastically changed development practices. While software engineering traditionally focused on manually created code artifacts with dedicated processes and architectures, ML-enabled systems require additional data-science methods and tools to create ML artifacts -- especially ML models and training data. However, integrating models into systems, and managing the many different artifacts involved, is far from trivial. ML-enabled systems can easily have multiple ML models that interact with each other and with traditional code in intricate ways. Unfortunately, while challenges and practices of building ML-enabled systems have been studied, little is known about the characteristics of real-world ML-enabled systems beyond isolated examples. Improving engineering processes and architectures for ML-enabled systems requires improving the empirical understanding of these systems. We present a large-scale study of 2,928 open-source ML-enabled software systems. We classified and analyzed them to determine system characteristics, model and code reuse practices, and architectural aspects of integrating ML models. Our findings show that these systems still mainly consist of traditional source code, and that ML model reuse through code duplication or pre-trained models is common. We also identified different ML integration patterns and related implementation practices. We hope that our results help improve practices for integrating ML models, bringing data science and software engineering closer together.
- Abstract（参考訳）: 機械学習(ML)の台頭とソフトウェアシステムへの統合は、開発プラクティスを大きく変えました。
ソフトウェアエンジニアリングは伝統的に、専用のプロセスとアーキテクチャを備えた手作業によるコードアーティファクトの開発に重点を置いていたが、ML対応システムには、MLアーティファクトを作成するための追加のデータサイエンスメソッドとツール -- 特にMLモデルとトレーニングデータが必要です。
しかし、モデルをシステムに統合し、関連するさまざまなアーティファクトを管理することは、決して簡単ではない。
ML対応システムは、互いに対話し、複雑な方法で従来のコードと対話する複数のMLモデルを簡単に持てる。
残念なことに、ML対応システムを構築する上での課題や実践は研究されているが、現実のML対応システムの特徴が孤立した例を超えたことはほとんど知られていない。
ML対応システムのエンジニアリングプロセスとアーキテクチャを改善するには、これらのシステムの経験的理解を改善する必要がある。
本稿では2,928のオープンソースML対応ソフトウェアシステムについて大規模に検討する。
システムの特徴,モデルおよびコードの再利用プラクティス,およびMLモデル統合のアーキテクチャ的側面を分類し,分析した。
以上の結果から,これらのシステムは従来型ソースコードが中心であり,コード重複や事前学習モデルによるMLモデルの再利用が一般的であることが示唆された。
また、異なるML統合パターンと関連する実装プラクティスを特定しました。
結果がMLモデルの統合プラクティスの改善に役立ち、データサイエンスとソフトウェアエンジニアリングがより緊密になることを期待しています。
関連論文リスト
- ML-On-Rails: Safeguarding Machine Learning Models in Software Systems A
Case Study [4.087995998278127]
機械学習モデルを保護するためのプロトコルであるML-On-Railsを紹介する。
ML-On-Railsは、さまざまなMLタスクのための明確に定義されたエンドポイントインターフェースを確立し、MLプロバイダとMLコンシューマ間のコミュニケーションを明確にする。
実世界のMoveReminderアプリケーションのケーススタディを通じてプロトコルを評価する。
論文 参考訳（メタデータ） (2024-01-12T11:27:15Z) - An Exploratory Study of V-Model in Building ML-Enabled Software: A Systems Engineering Perspective [0.7252027234425334]
機械学習(ML)コンポーネントは、ますます重要で影響力のあるソフトウェアシステムに追加されている。
本研究は,ML対応システム構築における学際的コラボレーション課題へのV-Modelの適用について検討する。
論文 参考訳（メタデータ） (2023-08-10T06:53:32Z) - 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) - Understanding the Complexity and Its Impact on Testing in ML-Enabled
Systems [8.630445165405606]
世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。
私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。
本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
論文 参考訳（メタデータ） (2023-01-10T08:13:24Z) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳（メタデータ） (2022-09-15T13:21:16Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳（メタデータ） (2021-07-16T23:57:57Z) - 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) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - 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。