論文の概要: Agile Management for Machine Learning: A Systematic Mapping Study

• arxiv url: http://arxiv.org/abs/2506.20759v1
• Date: Wed, 25 Jun 2025 18:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.854853
• Title: Agile Management for Machine Learning: A Systematic Mapping Study
• Title（参考訳）: 機械学習のためのアジャイル管理 - システムマッピングによる研究
• Authors: Lucas Romao, Hugo Villamizar, Romeu Oliveira, Silvio Alonso, Marcos Kalinowski,
• Abstract要約: 機械学習(ML)対応システムは私たちの社会に存在し、重要なデジタルトランスフォーメーションを推進しています。 ML開発のダイナミックな性質は、実験的なサイクルとデータの急激な変化によって特徴づけられ、従来のプロジェクト管理に課題をもたらします。 本研究の目的は,ML対応システムのアジャイル管理における技術の現状を概説することである。
• 参考スコア（独自算出の注目度）: 1.0396117988046165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: [Context] Machine learning (ML)-enabled systems are present in our society, driving significant digital transformations. The dynamic nature of ML development, characterized by experimental cycles and rapid changes in data, poses challenges to traditional project management. Agile methods, with their flexibility and incremental delivery, seem well-suited to address this dynamism. However, it is unclear how to effectively apply these methods in the context of ML-enabled systems, where challenges require tailored approaches. [Goal] Our goal is to outline the state of the art in agile management for ML-enabled systems. [Method] We conducted a systematic mapping study using a hybrid search strategy that combines database searches with backward and forward snowballing iterations. [Results] Our study identified 27 papers published between 2008 and 2024. From these, we identified eight frameworks and categorized recommendations and practices into eight key themes, such as Iteration Flexibility, Innovative ML-specific Artifacts, and the Minimal Viable Model. The main challenge identified across studies was accurate effort estimation for ML-related tasks. [Conclusion] This study contributes by mapping the state of the art and identifying open gaps in the field. While relevant work exists, more robust empirical evaluation is still needed to validate these contributions.
• Abstract（参考訳）: [文脈]機械学習(ML)対応システムは我々の社会に存在し、重要なデジタルトランスフォーメーションを推進している。 ML開発のダイナミックな性質は、実験サイクルとデータの急激な変更によって特徴づけられ、従来のプロジェクト管理に課題をもたらします。 アジャイルメソッドの柔軟性と漸進的なデリバリは、このダイナミズムに対処するのに適しているように思われる。 しかし、これらの手法をML対応システムのコンテキストに効果的に適用する方法は明らかではない。 私たちのゴールは、ML対応システムにおけるアジャイル管理の最先端を概説することにあります。 [方法]本研究では,データベース検索と後方および前方の雪玉反復を組み合わせたハイブリッド検索手法を用いて,系統的な地図解析を行った。 結果]2008年から2024年にかけて発行された27の論文について検討した。 これらのことから、我々は8つのフレームワークを特定し、リコメンデーションとプラクティスを、イテレーションフレキシビリティ、イノベーティブML固有のアーティファクト、最小生存モデルといった8つの主要なテーマに分類した。 研究全体で確認された主な課題は、ML関連タスクの正確な作業推定であった。 [結論]本研究は,現場における最先端のマッピングと開き間隙の同定に寄与する。 関連する作業は存在するが、これらの貢献を検証するためには、より堅牢な経験的評価が必要である。

関連論文リスト

• Evolving Machine Learning: A Survey [3.8137023630861315]
  この調査は、データドリフト、コンセプトドリフト、破滅的な忘れ、歪んだ学習、ネットワーク適応の5つの主要な課題に焦点を当てている。 我々は120以上の研究を体系的にレビューし、教師なし、教師なし、および半教師なしのアプローチにまたがって最先端の手法を分類した。 我々の研究は、研究者や実践者が実世界の展開のために堅牢で倫理的でスケーラブルなシステムを開発するのをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-05-23T13:50:02Z)
• From Selection to Generation: A Survey of LLM-based Active Learning [153.8110509961261]
  大きな言語モデル(LLM)は、全く新しいデータインスタンスを生成し、よりコスト効率の良いアノテーションを提供するために使われています。 本調査は,LSMに基づくAL手法の直感的な理解を目指して,研究者や実践者の最新のリソースとして機能することを目的としている。
  論文  参考訳（メタデータ） (2025-02-17T12:58:17Z)
• RED-CT: A Systems Design Methodology for Using LLM-labeled Data to Train and Deploy Edge Classifiers for Computational Social Science [0.46560775769914914]
  大規模言語モデル(LLM)は、構造化されていない自然言語データを迅速に分析し分類する能力を向上した。 しかしながら、コスト、ネットワーク制限、セキュリティ上の制約に関する懸念は、彼らの作業プロセスへの統合に問題を引き起こしている。 本研究では,下流教師あり学習タスクにおいて,LLMを不完全なデータアノテータとして利用するシステム設計手法を採用する。
  論文  参考訳（メタデータ） (2024-08-15T15:28:37Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• A Review of Machine Learning Methods Applied to Structural Dynamics and Vibroacoustic [0.0]
  Vibroacoustic(SD&V)の主要な3つのアプリケーションが機械学習(ML)を活用している。 構造的健康モニタリングでは、ML検出と予後が安全な操作とメンテナンススケジュールの最適化につながる。 システムの識別と制御設計は、アクティブノイズ制御およびアクティブ振動制御におけるML技術によって活用される。 いわゆるMLベースのサロゲートモデルは、コストのかかるシミュレーションに代わる高速な代替手段を提供し、堅牢で最適化された製品設計を可能にする。
  論文  参考訳（メタデータ） (2022-04-13T13:16:21Z)

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。