論文の概要: Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study
- arxiv url: http://arxiv.org/abs/2410.06708v1
- Date: Wed, 9 Oct 2024 09:27:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 04:10:03.567174
- Title: Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study
- Title（参考訳）: 開発者はML対応システムにグリーンアーキテクチャの戦術を採用するか? マイニングソフトウェアのリポジトリスタディ
- Authors: Vincenzo De Martino, Silverio Martínez-Fernández, Fabio Palomba,
- Abstract要約: 機械学習(ML)と人工知能(AI)技術は、社会でますます普及している。
グリーンAIは応答として現れ、精度を維持しながらAIの計算要求を減らすことを提唱している。
本稿では,GitHub上の168のオープンソースプロジェクトにおけるグリーン戦略の適用性を評価する,マイニングソフトウェアリポジトリの研究について述べる。
- 参考スコア（独自算出の注目度）: 10.997873336451498
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As machine learning (ML) and artificial intelligence (AI) technologies become increasingly prevalent in society, concerns about their environmental sustainability have grown. Developing and deploying ML-enabled systems, especially during training and inference, are resource-intensive, raising sustainability issues. Green AI has emerged as a response, advocating for reducing the computational demands of AI while maintaining accuracy. While recent research has identified various green tactics for developing sustainable ML-enabled systems, there is a gap in understanding the extent to which these tactics are adopted in real-world projects and whether additional, undocumented practices exist. This paper addresses these gaps by presenting a mining software repository study that evaluates the adoption of green tactics in 168 open-source ML projects on GitHub. In doing so, we introduce a novel mining mechanism based on large language models to identify and analyze green tactics within software repositories. Our results provide insights into the adoption of green tactics found in the literature and expand previous catalogs by providing 12 new tactics, with code examples to support wider implementation. This study contributes to the development of more sustainable ML systems by identifying adopted green tactics that offer substantial environmental benefits with minimal implementation effort. It provides practical insights for developers to green their systems and offers a path for future research to automate the integration of these tactics.
- Abstract（参考訳）: 機械学習(ML)と人工知能(AI)技術が社会でますます普及するにつれて、その環境持続可能性に対する懸念が高まっている。
ML対応システムの開発、デプロイ、特にトレーニングと推論はリソース集約的であり、持続可能性の問題を引き起こす。
グリーンAIは応答として現れ、精度を維持しながらAIの計算要求を減らすことを提唱している。
近年の研究では、持続可能なML対応システムを開発するための様々なグリーンな戦術が特定されているが、これらの戦術が現実のプロジェクトでどの程度採用されているか、また、追加の文書化されていないプラクティスが存在するかを理解するのにギャップがある。
本稿では,GitHub上の168のオープンソースプロジェクトにおけるグリーン戦略の採用を評価する,マイニングソフトウェアリポジトリの研究を通じて,これらのギャップに対処する。
そこで我々は,大規模言語モデルに基づく新たなマイニング機構を導入し,ソフトウェアリポジトリ内のグリーン戦略を特定し解析する。
この結果から,文献に見出された緑地戦略の採用に関する洞察と,より広範な実装をサポートするコード例を備えた12の新たな戦略を提供することにより,以前のカタログを拡張した。
本研究は,実装の最小化を図り,環境に配慮した緑地戦略を取り入れることで,より持続可能なMLシステムの開発に寄与する。
開発者がシステムを緑化するための実践的な洞察を提供し、これらの戦術の統合を自動化するための将来の研究の道筋を提供する。
関連論文リスト
- Green Federated Learning: A new era of Green Aware AI [11.536626349203361]
フェデレートラーニング(FL)は、このニーズに対処する新たな機会を提供する。
グリーンアウェアなAIアルゴリズムの既存の取り組みとギャップをナビゲートし、理解するためのロードマップを、研究者、ステークホルダ、関心のある関係者に提供することが重要です。
この調査は主に、100を超えるFL作品を特定し分析することで、この目的を達成することを目的としている。
論文 参考訳（メタデータ） (2024-09-19T09:54:18Z) - Estimating the Energy Footprint of Software Systems: a Primer [56.200335252600354]
ソフトウェアシステムのエネルギーフットプリントの定量化は、最も基本的な活動の1つです。
この文書は、この分野で研究を始めたい研究者の出発点となることを目的としている。
論文 参考訳（メタデータ） (2024-07-16T11:21:30Z) - Towards Green AI: Current status and future research [0.3749861135832072]
我々は、環境アセスメントとAIシステムのコードデザインの両方に対するアプローチの現状を調査することで、グリーンAIに関する言論を広げることを目指している。
我々は、関連する計算ハードウェアの炭素フットプリントを例示的に推定し、グリーンAIの手法をさらに調査する必要性を強調する。
AIを活用することで、AI4greenAIという独自の環境課題を軽減できると考えています。
論文 参考訳（メタデータ） (2024-05-01T08:10:01Z) - Learn to Code Sustainably: An Empirical Study on LLM-based Green Code
Generation [7.8273713434806345]
生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。
3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
論文 参考訳（メタデータ） (2024-03-05T22:12:01Z) - Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。
研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文 参考訳（メタデータ） (2024-03-04T06:25:26Z) - A Synthesis of Green Architectural Tactics for ML-Enabled Systems [9.720968127923925]
ML対応システムのための30のグリーンアーキテクチャ戦略のカタログを提供する。
アーキテクチャ戦術は、ソフトウェア品質を改善するための高度な設計手法である。
透明性を高め、その普及を促進するため、我々はオンラインで簡単に消費可能なフォーマットで戦術を利用できるようにした。
論文 参考訳（メタデータ） (2023-12-15T08:53:45Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - A Systematic Review of Green AI [8.465228064780744]
グリーンAIは、AI環境の持続可能性の研究である。
この話題は、2020年以降、かなりの成長を遂げた。
このレビューから、他のGreen AI研究戦略を採用するのに適した時期が浮かび上がっている。
論文 参考訳（メタデータ） (2023-01-26T11:41:46Z) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。
本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:57:27Z) - 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。