論文の概要: A Tale of Two Systems: Characterizing Architectural Complexity on Machine Learning-Enabled Systems
- arxiv url: http://arxiv.org/abs/2506.11295v1
- Date: Thu, 12 Jun 2025 20:54:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.581404
- Title: A Tale of Two Systems: Characterizing Architectural Complexity on Machine Learning-Enabled Systems
- Title（参考訳）: 2つのシステムの物語:機械学習で実現可能なシステムのアーキテクチャ上の複雑さを特徴づける
- Authors: Renato Cordeiro Ferreira,
- Abstract要約: 本研究の目的は、ML-Enabled Systemsの複雑さを特徴付けるメトリクスベースのアーキテクチャモデルの導入である。
目標は、これらのシステムの開始と成長のガイドラインを提供する、アーキテクチャ上の決定をサポートすることです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How can the complexity of ML-enabled systems be managed effectively? The goal of this research is to investigate how complexity affects ML-Enabled Systems (MLES). To address this question, this research aims to introduce a metrics-based architectural model to characterize the complexity of MLES. The goal is to support architectural decisions, providing a guideline for the inception and growth of these systems. This paper brings, side-by-side, the architecture representation of two systems that can be used as case studies for creating the metrics-based architectural model: the SPIRA and the Ocean Guard MLES.
- Abstract（参考訳）: ML対応システムの複雑さを効果的に管理するにはどうすればよいのか?
本研究の目的は,複雑性がML-Enabled Systems (MLES) に与える影響を検討することである。
そこで本研究では,MLESの複雑さを特徴付けるメトリクスベースのアーキテクチャモデルを提案する。
目標は、これらのシステムの開始と成長のガイドラインを提供する、アーキテクチャ上の決定をサポートすることです。
本稿では,SPIRAとOcean Guard MLESという,メトリクスベースのアーキテクチャモデルを作成するためのケーススタディとして使用できる2つのシステムのアーキテクチャ表現について述べる。
関連論文リスト
- A Metrics-Oriented Architectural Model to Characterize Complexity on Machine Learning-Enabled Systems [0.0]
本研究の目的は、MLESの複雑さを特徴付けるメトリクスベースのアーキテクチャモデルの導入である。
目標は、これらのシステムの開始と成長のガイドラインを提供する、アーキテクチャ上の決定をサポートすることです。
論文 参考訳（メタデータ） (2025-06-09T19:02:19Z) - Boost, Disentangle, and Customize: A Robust System2-to-System1 Pipeline for Code Generation [58.799397354312596]
大規模言語モデル(LLM)は、様々な領域、特にシステム1タスクにおいて顕著な機能を示した。
System2-to-System1法に関する最近の研究が急増し、推論時間計算によるシステム2の推論知識が探索された。
本稿では,システム2タスクの代表的タスクであるコード生成に注目し,主な課題を2つ挙げる。
論文 参考訳（メタデータ） (2025-02-18T03:20:50Z) - A quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
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。
論文 参考訳（メタデータ） (2025-01-20T15:30:09Z) - An Analysis of MLOps Architectures: A Systematic Mapping Study [12.399094410444743]
本研究は、アーキテクチャの観点から、MLOpsにおける技術の現状を概観する。
研究者や実践者は、私たちの発見を利用して、MLOpsシステムのアーキテクチャ設計を知らせることができます。
論文 参考訳（メタデータ） (2024-06-28T11:38:50Z) - 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) - 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)
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。