論文の概要: The Hitchhikers Guide to Production-ready Trustworthy Foundation Model powered Software (FMware)

• arxiv url: http://arxiv.org/abs/2505.10640v2
• Date: Mon, 02 Jun 2025 20:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:31.984239
• Title: The Hitchhikers Guide to Production-ready Trustworthy Foundation Model powered Software (FMware)
• Title（参考訳）: Hitchhikers Guide to Production-Ready Trustworthy Foundation Model powered Software (FMware)
• Authors: Kirill Vasilevski, Benjamin Rombaut, Gopi Krishnan Rajbahadur, Gustavo A. Oliva, Keheliya Gallaba, Filipe R. Cogo, Jiahuei Lin, Dayi Lin, Haoxiang Zhang, Bouyan Chen, Kishanthan Thangarajah, Ahmed E. Hassan, Zhen Ming Jiang,
• Abstract要約: ファンデーションモデル(FM)は、これらのFMをコアコンポーネントとして統合するシステムであるFMwareを有効にすることで、ソフトウェア産業を変革している。 KDD 2025のチュートリアルでは、課題のキュレートされたカタログと実世界の生産上の懸念を組み合わせた、FMwareの総合的な探索について紹介する。
• 参考スコア（独自算出の注目度）: 10.438253230778844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foundation Models (FMs) such as Large Language Models (LLMs) are reshaping the software industry by enabling FMware, systems that integrate these FMs as core components. In this KDD 2025 tutorial, we present a comprehensive exploration of FMware that combines a curated catalogue of challenges with real-world production concerns. We first discuss the state of research and practice in building FMware. We further examine the difficulties in selecting suitable models, aligning high-quality domain-specific data, engineering robust prompts, and orchestrating autonomous agents. We then address the complex journey from impressive demos to production-ready systems by outlining issues in system testing, optimization, deployment, and integration with legacy software. Drawing on our industrial experience and recent research in the area, we provide actionable insights and a technology roadmap for overcoming these challenges. Attendees will gain practical strategies to enable the creation of trustworthy FMware in the evolving technology landscape.
• Abstract（参考訳）: 大規模言語モデル(LLM)のようなファンデーションモデル(FM)は、これらのFMをコアコンポーネントとして統合するシステムであるFMwareを有効にすることで、ソフトウェア産業を再構築している。 KDD 2025のチュートリアルでは、課題のキュレートされたカタログと実世界の生産上の懸念を組み合わせた、FMwareの総合的な探索について紹介する。 まず,FMウェア開発における研究と実践の現状について論じる。 さらに、適切なモデルを選択すること、高品質なドメイン固有データを調整すること、エンジニアリングの堅牢なプロンプト、自律エージェントを編成することの難しさについて検討する。 そして、システムテスト、最適化、デプロイメント、レガシーソフトウェアとの統合に関する問題を概説することで、印象的なデモからプロダクション対応システムへの複雑な旅に対処します。 この分野での産業経験と最近の研究に基づいて、これらの課題を克服するための実用的な洞察と技術ロードマップを提供します。 Atendeesは、進化するテクノロジの世界において、信頼できるFMウェアの作成を可能にするための実践的な戦略を得る。

関連論文リスト

• Specifications: The missing link to making the development of LLM systems an engineering discipline [65.10077876035417]
  我々は、構造化出力、プロセスの監督、テストタイム計算など、これまでの分野の進歩について論じる。 モジュール型かつ信頼性の高いLCMシステムの開発に向けた研究の今後の方向性について概説する。
  論文  参考訳（メタデータ） (2024-11-25T07:48:31Z)
• From Cool Demos to Production-Ready FMware: Core Challenges and a Technology Roadmap [12.313710667597897]
  我々は,FMウェアを多種多様なデータソースで生産する上で重要な課題を特定するために,半構造化されたテーマ合成を行う。 FMの選択、データとモデルのアライメント、プロンプトエンジニアリング、エージェントオーケストレーション、システムテスト、デプロイメントにおける重要な問題を特定します。 これらの課題に対処するために必要な技術や戦略について議論し、デモシステムからスケーラブルで実運用対応のFMwareソリューションへの移行を可能にするためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-10-28T07:16:00Z)
• Foundation Model Engineering: Engineering Foundation Models Just as Engineering Software [8.14005646330662]
  Foundation Models (FM) は、データとモデルをソースコードとして扱うことで、新しいタイプのソフトウェアになる。 我々は、期待されるFM危機に対する戦略的対応であるファンデーションモデル(FM)エンジニアリングを導入するというビジョンを概説する。
  論文  参考訳（メタデータ） (2024-07-11T04:40:02Z)
• Rethinking Software Engineering in the Foundation Model Era: A Curated Catalogue of Challenges in the Development of Trustworthy FMware [13.21876203209586]
  企業FMware開発を非生産的でコストがかかり、リスクが高いものにした、SE4FMwareの10つの重要な課題を特定します。 我々はFMArtsを紹介します。これは、信頼できるFMウェアのエンジニアリングのためのクレードル・ツー・グラブプラットフォームを構築するための長期的な取り組みです。
  論文  参考訳（メタデータ） (2024-02-25T00:53:16Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• FETA: Towards Specializing Foundation Models for Expert Task Applications [49.57393504125937]
  ファンデーションモデル(FM)は、ゼロショット学習、高忠実度データ合成、ドメインの一般化など、前例のない機能を示した。 この論文では、FMは、まだ専門家のタスクにおいて、出来の悪いパフォーマンスを保っていることを示します。 本稿では,FMに技術資料の理解を促すことを目的として,その第1のFETAベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-09-08T08:47:57Z)
• 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)

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。