論文の概要: Lessons from a Big-Bang Integration: Challenges in Edge Computing and Machine Learning

• arxiv url: http://arxiv.org/abs/2507.17270v1
• Date: Wed, 23 Jul 2025 07:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.895867
• Title: Lessons from a Big-Bang Integration: Challenges in Edge Computing and Machine Learning
• Title（参考訳）: ビッグバン統合から学んだこと - エッジコンピューティングと機械学習の課題
• Authors: Alessandro Aneggi, Andrea Janes,
• Abstract要約: プロジェクトはビッグバン統合のアプローチのため、重大な挫折に直面した。 この研究は、コミュニケーションの貧弱さを含む技術的および組織的障壁を特定する。 また、モックアップよりも完全に発達したコンポーネントに対するバイアスのような心理的要因も考慮している。
• 参考スコア（独自算出の注目度）: 52.86213078016168
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This experience report analyses a one year project focused on building a distributed real-time analytics system using edge computing and machine learning. The project faced critical setbacks due to a big-bang integration approach, where all components developed by multiple geographically dispersed partners were merged at the final stage. The integration effort resulted in only six minutes of system functionality, far below the expected 40 minutes. Through root cause analysis, the study identifies technical and organisational barriers, including poor communication, lack of early integration testing, and resistance to topdown planning. It also considers psychological factors such as a bias toward fully developed components over mockups. The paper advocates for early mock based deployment, robust communication infrastructures, and the adoption of topdown thinking to manage complexity and reduce risk in reactive, distributed projects. These findings underscore the limitations of traditional Agile methods in such contexts and propose simulation-driven engineering and structured integration cycles as key enablers for future success.
• Abstract（参考訳）: この経験報告は、エッジコンピューティングと機械学習を用いた分散リアルタイム分析システムの構築に焦点を当てた1年間のプロジェクトを分析する。 このプロジェクトは、地理的に分散した複数のパートナーによって開発されたすべてのコンポーネントが最終段階でマージされる、ビッグバン統合のアプローチのために、重大な挫折に直面した。 統合作業はわずか6分間のシステム機能で、予想される40分をはるかに下回った。 根本原因分析を通じて、この研究は、コミュニケーション不足、早期統合テストの欠如、トップダウン計画に対する抵抗など、技術的および組織的障壁を特定する。 また、モックアップよりも完全に発達したコンポーネントに対するバイアスのような心理的要因も考慮している。 この論文は、初期のモックベースのデプロイメント、堅牢な通信インフラ、そして、複雑さを管理し、リアクティブな分散プロジェクトのリスクを低減するためのトップダウン思考の採用を提唱している。 これらの知見は、このような文脈における従来のアジャイルメソッドの限界を強調し、将来の成功の鍵となるものとして、シミュレーション駆動のエンジニアリングと構造化統合サイクルを提案する。

関連論文リスト

• The Lazy Student's Dream: ChatGPT Passing an Engineering Course on Its Own [3.2334676138718677]
  本稿では,Large Language Models (LLMs) の制御系コースを成功させる能力について包括的に検討する。 現実的な学生の利用パターンをシミュレートする「最小限の努力」プロトコルの下で,ChatGPTを用いてLCMの性能を評価する。 我々の分析は、制御システム工学における数学的定式化、コーディングの課題、理論的概念を扱う際のAIの強みと限界に関する定量的洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-23T18:47:14Z)
• It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
  アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。 現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。 本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
  論文  参考訳（メタデータ） (2023-12-27T10:44:58Z)
• Decentralised and collaborative machine learning framework for IoT [0.32985979395737774]
  本稿では、リソース制約のあるデバイスに特化して、分散的で協調的な機械学習フレームワークを提案する。 第一に、低パフォーマンスコンピューティング要素で動作するために特別に実装されたプロトタイプに基づく漸進学習アルゴリズムである。 第二に、ネットワーク内のコンピューティング要素間でローカルモデルを交換するランダムベースのプロトコルが2つある。
  論文  参考訳（メタデータ） (2023-12-19T14:25:41Z)
• GowFed -- A novel Federated Network Intrusion Detection System [0.15469452301122172]
  本研究は,Gower Dissimilarity行列とFederated Averagingを併用したネットワーク脅威検出システムであるGowFedを紹介する。 GowFedのアプローチは,(1)バニラバージョン,(2)アテンション機構を備えたバージョンなど,最先端の知識に基づいて開発されている。 全体として、GowFedは、産業レベルのネットワークにおけるネットワーク脅威を検出するためのフェデレートラーニングとガウワーの相違行列の併用に向けた最初の一歩となる。
  論文  参考訳（メタデータ） (2022-10-28T23:53:37Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
  侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。 ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。 現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。 本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-26T17:00:07Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• End-to-End Constrained Optimization Learning: A Survey [69.22203885491534]
  機械学習アーキテクチャとソルバと最適化手法を統合する作業の調査に焦点を当てている。 これらのアプローチは、問題に対する迅速、近似、構造的、解決策を予測し、論理的推論を可能にする新しいハイブリッド機械学習と最適化手法を開発することを約束します。
  論文  参考訳（メタデータ） (2021-03-30T14:19:30Z)
• Performance Analysis of Deep Learning Workloads on a Composable System [0.08388591755871731]
  構成可能なインフラストラクチャは、計算、ストレージ、アクセラレータ、ネットワークなどのリソースとして定義され、プール内で共有される。 本稿では、IBM Research AI Hardware Centerのパートナーが実装し、利用可能にしたエンタープライズ構成可能なインフラストラクチャの設計について説明します。
  論文  参考訳（メタデータ） (2021-03-19T17:15:42Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)

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。