論文の概要: Reusability in MLOps: Leveraging Ports and Adapters to Build a Microservices Architecture for the Maritime Domain

• arxiv url: http://arxiv.org/abs/2512.08657v1
• Date: Tue, 09 Dec 2025 14:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.005075
• Title: Reusability in MLOps: Leveraging Ports and Adapters to Build a Microservices Architecture for the Maritime Domain
• Title（参考訳）: MLOpsの再利用性: ポートとアダプタを活用して、海上ドメインのためのマイクロサービスアーキテクチャを構築する
• Authors: Renato Cordeiro Ferreira, Aditya Dhinavahi, Rowanne Trapmann, Willem-Jan van den Heuvel,
• Abstract要約: 本経験報告では,海上ドメインの異常検出のためのMLESであるOcean Guardを構築する際に適用されるソフトウェアアーキテクチャの再利用性について紹介する。 特に、ポートとアダプタを再利用して、ひとつのパターンから複数の構築をサポートするために学んだ課題と教訓を強調している。
• 参考スコア（独自算出の注目度）: 0.19999259391104388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ML-Enabled Systems (MLES) are inherently complex since they require multiple components to achieve their business goal. This experience report showcases the software architecture reusability techniques applied while building Ocean Guard, an MLES for anomaly detection in the maritime domain. In particular, it highlights the challenges and lessons learned to reuse the Ports and Adapters pattern to support building multiple microservices from a single codebase. This experience report hopes to inspire software engineers, machine learning engineers, and data scientists to apply the Hexagonal Architecture pattern to build their MLES.
• Abstract（参考訳）: ML-Enabled Systems(MLES)は、ビジネス目標を達成するために複数のコンポーネントを必要とするため、本質的に複雑である。 本経験報告では,海上ドメインの異常検出のためのMLESであるOcean Guardを構築する際に適用されるソフトウェアアーキテクチャの再利用性について紹介する。 特に、単一のコードベースから複数のマイクロサービスを構築するのをサポートするために、Ports and Adaptersパターンの再利用で学んだ課題と教訓を強調している。 このエクスペリエンスレポートは、ソフトウェアエンジニア、機械学習エンジニア、データサイエンティストに、ヘキサゴナルアーキテクチャーパターンを適用してMLESを構築するよう促すことを望んでいる。

関連論文リスト

• MLOps with Microservices: A Case Study on the Maritime Domain [0.10923877073891444]
  このケーススタディでは,海上ドメインにおける異常検出のためのMLES(Machine Learning-Enabled System)の構築において学んだ課題と教訓について述べる。 MLESとして、Ocean Guardはコード、モデル、データコントラクトを採用して、サービス間のガイドラインを確立している。 このケーススタディは、ソフトウェアエンジニア、機械学習エンジニア、データサイエンティストに、同様のアプローチをシステムに活用させることを期待している。
  論文  参考訳（メタデータ） (2025-06-06T16:04:59Z)
• Moving From Monolithic To Microservices Architecture for Multi-Agent Systems [0.0]
  モノリシックからアーキテクチャへの移行は、スケーラビリティと保守性を改善して、ソフトウェア開発に革命をもたらした。 この記事では、モノリシックなアーキテクチャから、マルチエージェントシステムの特定のコンテキストにおけるアーキテクチャへの進化について説明する。
  論文  参考訳（メタデータ） (2025-05-05T09:10:46Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• Enhancing Architecture Frameworks by Including Modern Stakeholders and their Views/Viewpoints [48.87872564630711]
  データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
  論文  参考訳（メタデータ） (2023-08-09T21:54:34Z)
• CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
  我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。 我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。 CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
  論文  参考訳（メタデータ） (2023-05-31T05:24:48Z)

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。