論文の概要: Sustainability of Machine Learning-Enabled Systems: The Machine Learning Practitioner's Perspective
- arxiv url: http://arxiv.org/abs/2511.00901v1
- Date: Sun, 02 Nov 2025 11:38:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.98585
- Title: Sustainability of Machine Learning-Enabled Systems: The Machine Learning Practitioner's Perspective
- Title（参考訳）: 機械学習が実現可能なシステムの持続可能性:機械学習実践者の視点
- Authors: Vincenzo De Martino, Stefano Lambiase, Fabiano Pecorelli, Willem-Jan van den Heuvel, Filomena Ferrucci, Fabio Palomba,
- Abstract要約: 本研究では,機械学習(ML)対応システムのサステナビリティを実践者の視点から評価するための実証的研究を行った。
本研究の要点は,サステナビリティ・アウェアネスと,その体系的実装との間に有意な不一致があることである。
- 参考スコア（独自算出の注目度）: 14.551508252812203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software sustainability is a key multifaceted non-functional requirement that encompasses environmental, social, and economic concerns, yet its integration into the development of Machine Learning (ML)-enabled systems remains an open challenge. While previous research has explored high-level sustainability principles and policy recommendations, limited empirical evidence exists on how sustainability is practically managed in ML workflows. Existing studies predominantly focus on environmental sustainability, e.g., carbon footprint reduction, while missing the broader spectrum of sustainability dimensions and the challenges practitioners face in real-world settings. To address this gap, we conduct an empirical study to characterize sustainability in ML-enabled systems from a practitioner's perspective. We investigate (1) how ML engineers perceive and describe sustainability, (2) the software engineering practices they adopt to support it, and (3) the key challenges hindering its adoption. We first perform a qualitative analysis based on interviews with eight experienced ML engineers, followed by a large-scale quantitative survey with 203 ML practitioners. Our key findings reveal a significant disconnection between sustainability awareness and its systematic implementation, highlighting the need for more structured guidelines, measurement frameworks, and regulatory support.
- Abstract（参考訳）: ソフトウェアサステナビリティは、環境、社会的、経済的懸念を包含する重要な多面的非機能要件であるが、機械学習(ML)対応システム開発への統合は、依然としてオープンな課題である。
これまでの研究では、高レベルのサステナビリティ原則とポリシーレコメンデーションを調査してきたが、サステナビリティがMLワークフローで実際にどのように管理されているかに関して、限定的な実証的な証拠が存在する。
既存の研究は主に環境サステナビリティ、例えば炭素フットプリントの削減に焦点を当てているが、サステナビリティの幅や実践者が現実世界で直面している課題を欠いている。
このギャップに対処するため,我々は,ML対応システムの持続可能性を実践者の視点から特徴づける実証的研究を行った。
1)MLエンジニアが持続可能性をどのように認識し,記述しているか,(2)それをサポートするために採用するソフトウェアエンジニアリングプラクティス,(3)採用を妨げる重要な課題について検討する。
まず,経験豊富な8人のMLエンジニアへのインタビューをもとに質的分析を行い,その後203人のML実践者による大規模定量的調査を行った。
我々の重要な発見は、サステナビリティの認識と体系的な実装との間に大きな隔たりがあることを示し、より構造化されたガイドライン、測定フレームワーク、規制支援の必要性を強調している。
関連論文リスト
- Towards a Taxonomy of Sustainability Requirements for Software Design [3.8168092489216385]
本研究は, 現状からサステナビリティ要件を抽出し, 整理するために, 体系的文献レビューを実施している。
特定されたカテゴリごとに、明確な定義、関連するメトリクス、測定値を提供します。
この体系化された参照は、持続可能なソフトウェア開発におけるトレードオフを効果的に定式化し、管理し、調整するのに役立つ。
論文 参考訳（メタデータ） (2025-10-10T04:20:11Z) - SEER: Sustainability Enhanced Engineering of Software Requirements [3.8168092489216385]
初期のソフトウェア開発フェーズにおける持続可能性に関する懸念に対処するフレームワークであるSEERを紹介します。
フレームワークは、(i)特定のソフトウェア製品に関連する持続可能性要件を一般的な分類学から特定し、(ii)特定されたSRに基づいて持続可能なシステム要件がどのように評価されているかを評価し、(iii)いかなるSRも満たさないシステム要件を最適化する。
Gemini 2.5推論モデルを用いて得られた結果は、様々な領域にわたる幅広いサステナビリティの懸念を正確に識別する上で、提案手法の有効性を示すものである。
論文 参考訳（メタデータ） (2025-10-10T03:48:30Z) - Towards a Knowledge Base of Common Sustainability Weaknesses in Green Software Development [9.521952718902973]
本稿では,コードに一般的に発生する持続可能性弱点の標準的な知識基盤の開発の必要性を動機づける。
ソフトウェア弱点に関する既存の知識が、重大なデューディリジェンスを伴わずに持続可能性に"as is"をタグ付けできない理由を実証する。
論文 参考訳（メタデータ） (2025-06-10T14:03:58Z) - Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。
このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。
以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
論文 参考訳（メタデータ） (2025-05-12T14:05:23Z) - Scaling and Beyond: Advancing Spatial Reasoning in MLLMs Requires New Recipes [84.1059652774853]
MLLM(Multimodal Large Language Models)は、一般的な視覚言語タスクにおいて印象的な性能を示す。
近年の研究では、空間的推論能力の限界が明らかにされている。
この空間的推論の欠如は、MLLMが物理的世界と効果的に相互作用する能力を著しく制限する。
論文 参考訳（メタデータ） (2025-04-21T11:48:39Z) - 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) - Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。
ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。
汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
論文 参考訳（メタデータ） (2025-03-13T01:50:50Z) - The road to Sustainable DevOps [1.8131685250325171]
SusDevOpsは、環境への影響を最小限にし、社会的包摂性を高め、ソフトウェアエンジニアリングプラクティスにおける個人の幸福をサポートすることの重要性を強調している。
例えば、生態的なフットプリントの削減、労働力の取り込みの促進、開発者の個人の幸福への対処などです。
論文 参考訳（メタデータ） (2025-03-11T19:33:31Z) - A Domain-Agnostic Approach for Characterization of Lifelong Learning
Systems [128.63953314853327]
「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。
この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
論文 参考訳（メタデータ） (2023-01-18T21:58:54Z)
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。