論文の概要: A quantitative framework for evaluating architectural patterns in ML systems

• arxiv url: http://arxiv.org/abs/2501.11543v1
• Date: Mon, 20 Jan 2025 15:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:37.985298
• Title: A quantitative framework for evaluating architectural patterns in ML systems
• Title（参考訳）: MLシステムにおけるアーキテクチャパターン評価のための定量的枠組み
• Authors: Simeon Emanuilov, Aleksandar Dimov,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License:
• Abstract: Contemporary intelligent systems incorporate software components, including machine learning components. As they grow in complexity and data volume such machine learning systems face unique quality challenges like scalability and performance. To overcome them, engineers may often use specific architectural patterns, however their impact on ML systems is difficult to quantify. The effect of software architecture on traditional systems is well studied, however more work is needed in the area of machine learning systems. This study proposes a framework for quantitative assessment of architectural patterns in ML systems, focusing on scalability and performance metrics for cost-effective CPU-based inference. We integrate these metrics into a systematic evaluation process for selection of architectural patterns and demonstrate its application through a case study. The approach shown in the paper should enable software architects to objectively analyze and select optimal patterns, addressing key challenges in ML system design.
• Abstract（参考訳）: 現代のインテリジェントシステムには、機械学習コンポーネントを含むソフトウェアコンポーネントが組み込まれている。 複雑性とデータ量の増加に伴って、このような機械学習システムは、スケーラビリティやパフォーマンスといった、ユニークな品質上の課題に直面します。 これらを克服するために、エンジニアは特定のアーキテクチャパターンを使用することが多いが、MLシステムへの影響は定量化が難しい。 ソフトウェアアーキテクチャが従来のシステムに与える影響はよく研究されているが、機械学習システム領域ではより多くの作業が必要である。 本稿では,コスト効率のよいCPUベース推論のためのスケーラビリティと性能指標に着目し,MLシステムのアーキテクチャパターンを定量的に評価するためのフレームワークを提案する。 これらのメトリクスをアーキテクチャパターンの選択のための体系的な評価プロセスに統合し、ケーススタディを通じてその応用を実証する。 この論文で示されたアプローチは、ソフトウェアアーキテクトが最適パターンを客観的に分析し、選択することを可能にし、MLシステム設計における重要な課題に対処する。

関連論文リスト

• Enhanced FIWARE-Based Architecture for Cyberphysical Systems With Tiny Machine Learning and Machine Learning Operations: A Case Study on Urban Mobility Systems [0.0]
  モビリティコンピューティングは、リアルタイム要求、分散化、および無線ネットワークを介した接続性のために、特定の障壁を提示する。 エッジコンピューティングと小さな機械学習(tinyML)に関する新しい研究は、これらの問題に対処するために、低パフォーマンスデバイス上でAIモデルの実行を調査している。 本稿では、FIWAREソフトウェアコンポーネントに基づく以前のアーキテクチャを拡張し、機械学習操作フローを実装する。
  論文  参考訳（メタデータ） (2024-11-16T13:14:29Z)
• Architectural Patterns for Designing Quantum Artificial Intelligence Systems [25.42535682546052]
  人工知能システムを強化するために量子コンピューティング技術を利用することで、トレーニングと推論時間を改善し、ノイズや敵攻撃に対する堅牢性を高め、精度を損なうことなくパラメータの数を減らすことが期待されている。 しかし、概念実証やシミュレーションを超えてこれらのシステムの実用的な応用を開発することは、量子ハードウェアの限界とそのようなシステムのソフトウェア工学における未発達の知識基盤によって大きな課題に直面している。 我々は、量子化人工知能システムのソフトウェアアーキテクチャに関連する課題と解決策を特定するために、体系的なマッピング研究を行った。
  論文  参考訳（メタデータ） (2024-11-14T05:09:07Z)
• 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)
• 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)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• A Survey of Machine Learning for Computer Architecture and Systems [18.620218353713476]
  コンピュータアーキテクチャとシステムが機械学習(ml)アルゴリズムやモデルの効率的な実行を可能にするように最適化されるのは、長い間のことです。 今こそ、MLとシステムの関係を再考し、MLがコンピュータアーキテクチャとシステムが設計される方法を変える時です。
  論文  参考訳（メタデータ） (2021-02-16T04:09:57Z)
• 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)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• 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。