論文の概要: Embedding the MLOps Lifecycle into OT Reference Models

• arxiv url: http://arxiv.org/abs/2510.20590v1
• Date: Thu, 23 Oct 2025 14:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.121775
• Title: Embedding the MLOps Lifecycle into OT Reference Models
• Title（参考訳）: MLOpsライフサイクルをOT参照モデルに組み込む
• Authors: Simon Schindler, Christoph Binder, Lukas Lürzer, Stefan Huber,
• Abstract要約: マシンラーニングオペレーション(MLOps)のプラクティスは、産業環境では極めて厳格に採用されていますが、Opera-Optial Technology(OT)システムとの統合には大きな課題があります。 このpa-perは、MLOpsとOTen-vironmentsを組み合わせる際の基本的な障害を分析し、確立したOT参照モデルにMLOps prac- ticesを組み込むための体系的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.40831821256838124
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine Learning Operations (MLOps) practices are increas- ingly adopted in industrial settings, yet their integration with Opera- tional Technology (OT) systems presents significant challenges. This pa- per analyzes the fundamental obstacles in combining MLOps with OT en- vironments and proposes a systematic approach to embed MLOps prac- tices into established OT reference models. We evaluate the suitability of the Reference Architectural Model for Industry 4.0 (RAMI 4.0) and the International Society of Automation Standard 95 (ISA-95) for MLOps integration and present a detailed mapping of MLOps lifecycle compo- nents to RAMI 4.0 exemplified by a real-world use case. Our findings demonstrate that while standard MLOps practices cannot be directly transplanted to OT environments, structured adaptation using existing reference models can provide a pathway for successful integration.
• Abstract（参考訳）: マシンラーニングオペレーション(MLOps)のプラクティスは、産業環境では極めて厳格に採用されていますが、Opera-Optial Technology(OT)システムとの統合には大きな課題があります。 このpa-perは、MLOpsとOTen-vironmentsを組み合わせる際の基本的な障害を分析し、確立したOT参照モデルにMLOps prac- ticesを組み込むための体系的なアプローチを提案する。 MLOps統合のためのリファレンスアーキテクチャモデルであるRAMI 4.0(RAMI 4.0)と国際自動化標準95(ISA-95)の適合性を評価し,実世界のユースケースで実証されたMLOpsライフサイクルのコンポ・ネントをRAMI 4.0に詳細にマッピングした。 その結果,標準のMLOpsプラクティスを直接OT環境に移植することはできないが,既存の参照モデルを用いた構造化適応は,統合を成功させる道筋となることが示唆された。

関連論文リスト

• MCPEval: Automatic MCP-based Deep Evaluation for AI Agent Models [76.72220653705679]
  我々は、エンドツーエンドタスク生成とインテリジェントエージェントの深い評価を自動化するオープンソースのフレームワークであるMCPEvalを紹介する。 MCPEvalはメトリクスを標準化し、ネイティブエージェントツールとシームレスに統合し、評価パイプラインを構築するための手作業を排除する。 実世界の5つのドメインにまたがる実証的な結果から、ニュアンスのある、ドメイン固有のパフォーマンスを明らかにする効果が示された。
  論文  参考訳（メタデータ） (2025-07-17T05:46:27Z)
• Large Language Models for Automating Clinical Data Standardization: HL7 FHIR Use Case [0.2516393111664279]
  本稿では、構造化された臨床データセットをHL7 FHIRフォーマットに変換するための半自動アプローチを提案する。 最初のベンチマークでは、リソースの識別は完全なF1スコアに達し、GPT-4oはLlama 3.2を上回った。 誤り解析により,非存在属性の幻覚や粒度のミスマッチが検出され,より詳細なプロンプトが軽減されることがわかった。
  論文  参考訳（メタデータ） (2025-07-03T17:32:57Z)
• Beyond Formal Semantics for Capabilities and Skills: Model Context Protocol in Manufacturing [0.12289361708127876]
  最近導入されたモデルコンテキストプロトコル(MCP)に基づく代替手法を提案する。 MCPは、LLMベースのエージェントによって直接消費可能な標準化されたインタフェースを通じて機能を公開できる。
  論文  参考訳（メタデータ） (2025-06-12T13:02:16Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Navigating MLOps: Insights into Maturity, Lifecycle, Tools, and Careers [4.835091081509403]
  本稿では,Large Language Model Operations(LLMOps)をさらに取り入れた,MLOpsライフサイクル統合フレームワークを紹介する。 さまざまな成熟度レベルでMLOpsの採用に関連する重要な役割、ツール、コストを概説する。 標準化されたフレームワークを提供することで、MLOpsを効果的に実装するために必要なリソースを明確に定義し、割り当てすることを支援します。
  論文  参考訳（メタデータ） (2025-03-19T13:20:14Z)
• RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration [2.879328762187361]
  本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。 ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。 実際のデータセットでは,70.7%から88.6%に精度が向上した。
  論文  参考訳（メタデータ） (2025-03-04T17:20:43Z)
• IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts [28.9807389592324]
  機械学習のワークフローを自動化するための有望なソリューションとして、大規模言語モデル(LLM)エージェントが登場した。 LLM駆動のMLパイプライン設計のための新しい戦略であるIterative Refinementを紹介します。 実際のトレーニングフィードバックに基づいて個々のコンポーネントを体系的に更新することにより、イテレーティブリファインメントはモデル全体のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2025-02-25T01:52:37Z)
• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)

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。