論文の概要: A Comprehensive Multi-Vocal Empirical Study of ML Cloud Service Misuses
- arxiv url: http://arxiv.org/abs/2503.09815v1
- Date: Wed, 12 Mar 2025 20:27:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:54:22.624133
- Title: A Comprehensive Multi-Vocal Empirical Study of ML Cloud Service Misuses
- Title（参考訳）: MLクラウドサービスの誤用に関する総合的マルチVocal実証研究
- Authors: Hadil Ben Amor, Manel Abdellatif, Taher Ghaleb,
- Abstract要約: 本稿では,これまで研究されていない20のMLクラウドサービスの誤用のカタログを提案する。
この結果から,MLサービスの誤用はオープンソースプロジェクトと業界の両方で一般的であることがわかった。
これはMLサービスのベストプラクティスにおける継続的な教育の重要性を強調している。
- 参考スコア（独自算出の注目度）: 0.35502600490147196
- License:
- Abstract: Machine Learning (ML) models are widely used across various domains, including medical diagnostics and autonomous driving. To support this growth, cloud providers offer ML services to ease the integration of ML components in software systems. The evolving business requirements and the popularity of ML services have led practitioners of all skill levels to implement, and maintain ML service-based systems. However, they may not always adhere to optimal design and usage practices for ML cloud services, resulting in common misuse which could significantly degrade the quality of ML service-based systems and adversely affect their maintenance and evolution. Though much research has been conducted on ML service misuse, a consistent terminology and specification for these misuses remain absent. We therefore conduct in this paper a comprehensive, multi-vocal empirical study exploring the prevalence of ML cloud service misuses in practice. We propose a catalog of 20 ML cloud service misuses, most of which have not been studied in prior research. To achieve this, we conducted a) a systematic literature review of studies on ML misuses, b) a gray literature review of the official documentation provided by major cloud providers, c) an empirical analysis of a curated set of 377 ML service-based systems on GitHub, and d) a survey with 50 ML practitioners. Our results show that ML service misuses are common in both open-source projects and industry, often stemming from a lack of understanding of service capabilities, and insufficient documentation. This emphasizes the importance of ongoing education in best practices for ML services, which is the focus of this paper, while also highlighting the need for tools to automatically detect and refactor ML misuses.
- Abstract（参考訳）: 機械学習(ML)モデルは、医療診断や自律運転など、さまざまな領域で広く使用されている。
この成長をサポートするために、クラウドプロバイダは、ソフトウェアシステムにおけるMLコンポーネントの統合を容易にするMLサービスを提供している。
ビジネス要件の進化とMLサービスの人気により、すべてのスキルレベルの実践者がMLサービスベースのシステムを実装し、維持するようになりました。
しかしながら、MLクラウドサービスの最適な設計と利用プラクティスに常に準拠するとは限らないため、一般的な誤用により、MLサービスベースのシステムの品質が大幅に低下し、メンテナンスと進化に悪影響を及ぼす可能性がある。
MLサービスの誤用に関する多くの研究がなされているが、これらの誤用に対する一貫した用語と仕様はいまだに存在しない。
そこで本稿では,ML クラウドサービスの誤使用の実態について,包括的,多言語的実証研究を行う。
本稿では,これまで研究されていない20のMLクラウドサービスの誤用のカタログを提案する。
これを実現するため、我々は実施した。
a)ML誤用研究の体系的な文献レビュー
b) 大手クラウドプロバイダが提供した公式文書の灰色文献レビュー
c) GitHub上の377のMLサービスベースのシステムのキュレートされた集合の実証分析
d)50名のML実践者による調査。
私たちの結果は、MLサービスの誤用がオープンソースプロジェクトと業界の両方で一般的であることを示し、サービス機能に対する理解の欠如と不十分なドキュメントから生じることが多いことを示しています。
これは、機械学習サービスのベストプラクティスにおける継続的な教育の重要性を強調し、機械学習の誤用を自動的に検出し、リファクタリングするツールの必要性を強調している。
関連論文リスト
- Benchmarking Large and Small MLLMs [71.78055760441256]
大規模なマルチモーダル言語モデル(MLLM)は、マルチモーダルコンテンツの理解と生成において顕著な進歩を遂げている。
しかし、そのデプロイメントは、遅い推論、高い計算コスト、デバイス上のアプリケーションに対する非現実性など、重大な課題に直面している。
LLavaシリーズモデルとPhi-3-Visionによって実証された小さなMLLMは、より高速な推論、デプロイメントコストの削減、ドメイン固有のシナリオを扱う能力を備えた有望な代替手段を提供する。
論文 参考訳（メタデータ） (2025-01-04T07:44:49Z) - Identifying Concerns When Specifying Machine Learning-Enabled Systems: A
Perspective-Based Approach [1.2184324428571227]
PerSpecMLは、ML対応システムを指定するためのパースペクティブベースのアプローチである。
MLや非MLコンポーネントを含むどの属性がシステム全体の品質に寄与するかを、実践者が特定するのに役立つ。
論文 参考訳（メタデータ） (2023-09-14T18:31:16Z) - Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。
電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす
安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文 参考訳（メタデータ） (2023-08-30T03:29:26Z) - MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models [73.86954509967416]
マルチモーダル言語モデル(MLLM)は、マルチモーダルタスクを実行するために強力なLLMに依存している。
本稿では,MLLM 評価ベンチマーク MME について述べる。
知覚能力と認知能力の両方を合計14のサブタスクで測定する。
論文 参考訳（メタデータ） (2023-06-23T09:22:36Z) - 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) - Towards Perspective-Based Specification of Machine Learning-Enabled
Systems [1.3406258114080236]
本稿では、ML対応システムを特定するための視点に基づくアプローチに向けた取り組みについて述べる。
このアプローチでは、目標、ユーザエクスペリエンス、インフラストラクチャ、モデル、データという5つの視点にグループ化された45のML関心事のセットを分析する。
本論文の主な貢献は、ML対応システムを特定するのに役立つ2つの新しいアーティファクトを提供することである。
論文 参考訳（メタデータ） (2022-06-20T13:09:23Z) - 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) - Quality Assurance Challenges for Machine Learning Software Applications
During Software Development Life Cycle Phases [1.4213973379473654]
本稿では機械学習(ML)モデルの品質保証に関する文献の詳細なレビューを行う。
ソフトウェア開発ライフサイクル(SDLC)の異なる段階にまたがる様々なML導入課題をマッピングすることで、MLSA品質保証問題の分類法を開発する。
このマッピングは、MLモデルの採用が重要であると考えられるMLSAの品質保証の取り組みを優先するのに役立ちます。
論文 参考訳（メタデータ） (2021-05-03T22:29:23Z) - Characterizing and Detecting Mismatch in Machine-Learning-Enabled
Systems [1.4695979686066065]
機械学習システムの開発と展開は依然として課題だ。
本論文では,エンドツーエンドのML対応システム開発における知見とその意義について報告する。
論文 参考訳（メタデータ） (2021-03-25T19:40:29Z) - 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。