論文の概要: Define-ML: An Approach to Ideate Machine Learning-Enabled Systems

• arxiv url: http://arxiv.org/abs/2506.20621v1
• Date: Wed, 25 Jun 2025 17:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.871124
• Title: Define-ML: An Approach to Ideate Machine Learning-Enabled Systems
• Title（参考訳）: Define-ML: 機械学習で実現可能なシステムへのアプローチ
• Authors: Silvio Alonso, Antonio Pedro Santos Alves, Lucas Romao, Hélio Lopes, Marcos Kalinowski,
• Abstract要約: ソフトウェアシステムにおける機械学習(ML)は、特別なアイデアのアプローチを必要とする。 Lean Inceptionのような従来のアイデア手法では、MLの考慮事項に対する構造化されたサポートが欠如しています。 本稿では、リーンインセプションを適切なアクティビティで拡張するフレームワークであるDefin-MLを提案する。
• 参考スコア（独自算出の注目度）: 1.3541839896498067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: [Context] The increasing adoption of machine learning (ML) in software systems demands specialized ideation approaches that address ML-specific challenges, including data dependencies, technical feasibility, and alignment between business objectives and probabilistic system behavior. Traditional ideation methods like Lean Inception lack structured support for these ML considerations, which can result in misaligned product visions and unrealistic expectations. [Goal] This paper presents Define-ML, a framework that extends Lean Inception with tailored activities - Data Source Mapping, Feature-to-Data Source Mapping, and ML Mapping - to systematically integrate data and technical constraints into early-stage ML product ideation. [Method] We developed and validated Define-ML following the Technology Transfer Model, conducting both static validation (with a toy problem) and dynamic validation (in a real-world industrial case study). The analysis combined quantitative surveys with qualitative feedback, assessing utility, ease of use, and intent of adoption. [Results] Participants found Define-ML effective for clarifying data concerns, aligning ML capabilities with business goals, and fostering cross-functional collaboration. The approach's structured activities reduced ideation ambiguity, though some noted a learning curve for ML-specific components, which can be mitigated by expert facilitation. All participants expressed the intention to adopt Define-ML. [Conclusion] Define-ML provides an openly available, validated approach for ML product ideation, building on Lean Inception's agility while aligning features with available data and increasing awareness of technical feasibility.
• Abstract（参考訳）: 関連スポンサーコンテンツ [コンテキスト] ソフトウェアシステムにおける機械学習(ML)の採用の増加は、データ依存、技術的実現可能性、ビジネス目標と確率的システムの振る舞いの整合性など、ML固有の課題に対処する特別な考えのアプローチを必要とします。 リーンインセプションのような従来の発想手法では、これらのMLの考慮事項に対する構造化されたサポートが欠如しており、製品ビジョンと非現実的な期待の一致を招きかねない。 このフレームワークは、データソースマッピング、フィーチャー・トゥ・データソースマッピング、MLマッピングで、データと技術的な制約をアーリーステージのML製品に体系的に統合します。 [方法]我々は,技術移転モデルに従ってDefine-MLを開発し,静的検証(玩具問題)と動的検証(実業界における産業ケーススタディ)を行った。 この分析は定量的調査と質的なフィードバック、有用性の評価、使いやすさ、採用意図を組み合わせた。 結果]参加者はDefine-MLがデータの関心事を明確にし、ML機能をビジネス目標と整合させ、クロスファンクショナルなコラボレーションを促進するのに有効であることを見出した。 このアプローチの構造されたアクティビティは、アイデアの曖昧さを減らしたが、専門家のファシリテーションによって軽減されるML固有のコンポーネントの学習曲線に言及する者もいた。 すべての参加者はDefine-MLを採用する意思を表明した。 結論]Define-MLは、MLプロダクトのアイデアの公開可能な検証済みのアプローチを提供し、Lean Inceptionのアジリティに基づいて、利用可能なデータと機能を整合させ、技術的実現可能性に対する認識を高めます。

関連論文リスト

• Feature Engineering for Agents: An Adaptive Cognitive Architecture for Interpretable ML Monitoring [2.1205272468688574]
  大規模言語モデルに基づくエージェントに特徴工学の原則を適用したMLモニタリングのための認知アーキテクチャを提案する。 決定手順モジュールは、リファクタリング、ブレークダウン、コンパイルという3つの重要なステップを通じて、機能エンジニアリングをシミュレートする。 複数のLCMを用いた実験により, 各種ベースラインと比較して精度が有意に向上し, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-06-11T13:48:25Z)
• Modular Machine Learning: An Indispensable Path towards New-Generation Large Language Models [45.05285463251872]
  我々は,新世代の大規模言語モデル(LLM)に不可欠なアプローチとして,新しい学習パラダイム - Modular Machine Learning (MML) を導入する。 MMLは、LLMの複雑な構造を、モジュラー表現、モジュラーモデル、モジュラー推論の3つの相互依存コンポーネントに分解する。 本稿では,非絡み合い表現学習,ニューラルアーキテクチャ探索,ニューロシンボリック学習などの高度な技術を活用して,MLに基づくLLMの実現の可能性を示す。
  論文  参考訳（メタデータ） (2025-04-28T17:42:02Z)
• Will Pre-Training Ever End? A First Step Toward Next-Generation Foundation MLLMs via Self-Improving Systematic Cognition [89.50068130832635]
  自己改善認知 (SIcog) は、マルチモーダル知識によって次世代のMLLMを構築するための自己学習フレームワークである。 ステップバイステップの視覚的理解のためのChain-of-Descriptionを提案し、詳細なマルチモーダル推論をサポートするために構造化されたChain-of-Thought(CoT)推論を統合する。 実験は、マルチモーダル認知を増強したMLLMの開発におけるSIcogの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-16T00:25:13Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• 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)
• Reasonable Scale Machine Learning with Open-Source Metaflow [2.637746074346334]
  既存のツールを再購入しても、現在の生産性の問題は解決しない、と私たちは主張します。 私たちは、データ実践者の生産性を高めるために明示的に設計された、MLプロジェクトのためのオープンソースのフレームワークであるMetaflowを紹介します。
  論文  参考訳（メタデータ） (2023-03-21T11:28:09Z)
• 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)

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。