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/2410.06708v2
- Date: Thu, 02 Jan 2025 19:27:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:10:11.454573
- 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: グリーンAIは、精度を維持しながら計算要求を減らすことを提唱している。
本稿は、GitHub上の168のオープンソースMLプロジェクトを研究することで、このギャップに対処する。
新たな大規模言語モデル(LLM)ベースのマイニング機構を使用して、グリーン戦略を特定し分析する。
- 参考スコア(独自算出の注目度): 10.997873336451498
- License:
- Abstract: As machine learning (ML) and artificial intelligence (AI) technologies become more widespread, concerns about their environmental impact are increasing due to the resource-intensive nature of training and inference processes. Green AI advocates for reducing computational demands while still maintaining accuracy. Although various strategies for creating sustainable ML systems have been identified, their real-world implementation is still underexplored. This paper addresses this gap by studying 168 open-source ML projects on GitHub. It employs a novel large language model (LLM)-based mining mechanism to identify and analyze green strategies. The findings reveal the adoption of established tactics that offer significant environmental benefits. This provides practical insights for developers and paves the way for future automation of sustainable practices in ML systems.
- Abstract(参考訳): 機械学習(ML)と人工知能(AI)技術が普及するにつれて、トレーニングと推論プロセスのリソース集約性により、その環境への影響に対する懸念が高まっている。
グリーンAIは、精度を維持しながら計算要求を減らすことを提唱している。
持続可能なMLシステムを構築するための様々な戦略が特定されているが、実際の実装はまだ未定である。
本稿は、GitHub上の168のオープンソースMLプロジェクトを研究することで、このギャップに対処する。
新たな大規模言語モデル(LLM)ベースのマイニング機構を使用して、グリーン戦略を特定し分析する。
この発見は、環境に多大な利益をもたらす確立した戦術の採用を明らかにした。
これにより、開発者にとって実践的な洞察が得られ、MLシステムにおける持続可能なプラクティスの自動化の道を開くことができる。
関連論文リスト
- Intelligent Green Efficiency for Intrusion Detection [0.0]
本稿では,AIの性能向上のための異なるプログラミング言語と特徴選択(FS)手法の評価を行う。
実験はRandom Forest、XGBoost、LightGBM、Multi-Layer Perceptron、Long Short-Term Memoryの5つのMLモデルを用いて行われた。
その結果、FSは検出精度を損なうことなくAIモデルの計算効率を向上させる重要な役割を担っていることが示された。
論文 参考訳(メタデータ) (2024-11-11T15:01:55Z) - 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) - Innovating for Tomorrow: The Convergence of SE and Green AI [2.013374581642707]
機械学習は、既存のソフトウェアエンジニアリングプロセスのフロンティアを変えつつある。
我々は、環境に優しいプラクティスを採用してAI対応のソフトウェアシステムを構築することの影響を反映する。
論文 参考訳(メタデータ) (2024-06-26T07:47:04Z) - 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) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - 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) - Real-world Machine Learning Systems: A survey from a Data-Oriented
Architecture Perspective [7.574538335342942]
データ指向アーキテクチャ(DOA、Data-oriented Architecture)は、MLモデルを統合する上で、システムにより良いものを提供する新しい概念である。
DOAは、現在のアーキテクチャを拡張して、データ駆動、疎結合、分散化されたオープンシステムを作成する。
本稿では,MLベースのシステムの実環境展開を調査し,これらの疑問に答える。
論文 参考訳(メタデータ) (2023-02-09T17:57:02Z) - Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文 参考訳(メタデータ) (2022-05-11T19:36:15Z) - 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。