論文の概要: Software Engineering for Large Language Models: Research Status, Challenges and the Road Ahead

• arxiv url: http://arxiv.org/abs/2506.23762v1
• Date: Mon, 30 Jun 2025 12:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.040246
• Title: Software Engineering for Large Language Models: Research Status, Challenges and the Road Ahead
• Title（参考訳）: 大規模言語モデルのためのソフトウェア工学 - 研究状況と課題と道のり
• Authors: Hongzhou Rao, Yanjie Zhao, Xinyi Hou, Shenao Wang, Haoyu Wang,
• Abstract要約: 大規模言語モデル(LLM)は人工知能(AI)を再定義している LLMの開発は、ライフサイクルを通してますます複雑な課題に直面している。 ソフトウェア工学(SE)アプローチの観点から、これらの課題と解決策を体系的に探求する既存の研究はない。
• 参考スコア（独自算出の注目度）: 4.835306415626808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of large language models (LLMs) has redefined artificial intelligence (AI), pushing the boundaries of AI research and enabling unbounded possibilities for both academia and the industry. However, LLM development faces increasingly complex challenges throughout its lifecycle, yet no existing research systematically explores these challenges and solutions from the perspective of software engineering (SE) approaches. To fill the gap, we systematically analyze research status throughout the LLM development lifecycle, divided into six phases: requirements engineering, dataset construction, model development and enhancement, testing and evaluation, deployment and operations, and maintenance and evolution. We then conclude by identifying the key challenges for each phase and presenting potential research directions to address these challenges. In general, we provide valuable insights from an SE perspective to facilitate future advances in LLM development.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩は、人工知能(AI)を再定義し、AI研究の境界を押し進め、アカデミックと業界の両方の無制限の可能性を可能にした。 しかし、LCM開発はそのライフサイクルを通してますます複雑な課題に直面しているが、ソフトウェア工学(SE)アプローチの観点からこれらの課題と解決策を体系的に探求する研究は存在しない。 このギャップを埋めるために、私たちはLCM開発ライフサイクルを通して研究状況を体系的に分析し、要求工学、データセット構築、モデル開発と拡張、テストと評価、デプロイメントと運用、メンテナンスと進化の6つのフェーズに分けられる。 そして、各フェーズの鍵となる課題を特定し、これらの課題に対処するための潜在的研究の方向性を示すことで結論付けます。 一般論として,LLM 開発における今後の進歩を促進するため,SE の観点から貴重な知見を提供する。

関連論文リスト

• Inverse Reinforcement Learning Meets Large Language Model Post-Training: Basics, Advances, and Opportunities [62.05713042908654]
  本稿では,逆強化学習(IRL)のレンズによる大規模言語モデル(LLM)のアライメントの進歩について概観する。 我々は、人間のデータからニューラル報酬モデルを構築する必要性を強調し、このパラダイムシフトの形式的および実践的意味について議論する。
  論文  参考訳（メタデータ） (2025-07-17T14:22:24Z)
• Knowledge Augmented Complex Problem Solving with Large Language Models: A Survey [48.53273952814492]
  大規模言語モデル(LLM)は、様々なドメインにまたがる複雑な問題に対処できる強力なツールとして登場した。 LLMを現実世界の問題解決に適用することは、多段階推論、ドメイン知識の統合、結果検証など、重大な課題を提示します。
  論文  参考訳（メタデータ） (2025-05-06T10:53:58Z)
• Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review [5.044100238869375]
  本稿では,機械学習(ML)システムにおけるスケーラビリティと保守性に関する重要な課題と解決策について考察する。 MLアプリケーションがますます複雑になり、業界全体に広まっていくにつれ、システムのスケーラビリティと長期的な保守性とのバランスの必要性が大きな懸念事項となっている。 我々は124の論文を分析し、41の保守性課題と13のスケーラビリティ課題とそれに対応するソリューションを特定し、分類した。
  論文  参考訳（メタデータ） (2025-04-15T11:24:43Z)
• Decoding Large-Language Models: A Systematic Overview of Socio-Technical Impacts, Constraints, and Emerging Questions [1.1970409518725493]
  この記事では、倫理的考察とともに、社会に肯定的な影響を与える可能性のある適用領域を強調します。 これには、開発に関する責任ある考慮、アルゴリズムの改善、倫理的課題、社会的影響が含まれる。
  論文  参考訳（メタデータ） (2024-09-25T14:36:30Z)
• Recent Advances in Generative AI and Large Language Models: Current Status, Challenges, and Perspectives [10.16399860867284]
  生成人工知能(AI)と大規模言語モデル(LLM)の出現は、自然言語処理(NLP)の新しい時代を象徴している。 本稿では,これらの最先端技術の現状を概観し,その顕著な進歩と広範囲な応用を実証する。
  論文  参考訳（メタデータ） (2024-07-20T18:48:35Z)
• Large Language Model Supply Chain: A Research Agenda [5.1875389249043415]
  大規模言語モデル(LLM)は、自然言語処理とマルチモーダルコンテンツ生成において前例のない能力を導入し、人工知能に革命をもたらした。 本稿では,LLMサプライチェーンの総合的な研究課題を初めて提示し,重要な課題と機会を特定するための構造的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-19T09:29:53Z)
• LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision and the Road Ahead [14.834072370183106]
  本稿では,LMA(Multi-Agent)システムへのLarge Language Modelの統合の可能性について検討する。 複数のエージェントの協調的かつ専門的な能力を活用することで、LMAシステムは自律的な問題解決を可能にし、堅牢性を改善し、現実世界のソフトウェアプロジェクトの複雑さを管理するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-04-07T07:05:40Z)
• A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
  この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。 発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-21T08:54:56Z)
• Prompting Large Language Models to Tackle the Full Software Development Lifecycle: A Case Study [72.24266814625685]
  DevEvalでソフトウェア開発ライフサイクル全体にわたって、大きな言語モデル(LLM)のパフォーマンスを調査します。 DevEvalは4つのプログラミング言語、複数のドメイン、高品質なデータ収集、各タスクに対して慎重に設計および検証されたメトリクスを備えている。 GPT-4を含む現在のLLMは、DevEvalで提示される課題を解決できないことが実証研究によって示されている。
  論文  参考訳（メタデータ） (2024-03-13T15:13:44Z)
• On the Challenges and Opportunities in Generative AI [157.96723998647363]
  私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。 我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)

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。