論文の概要: Proto-ML: An IDE for ML Solution Prototyping
- arxiv url: http://arxiv.org/abs/2602.21734v1
- Date: Wed, 25 Feb 2026 09:43:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.780111
- Title: Proto-ML: An IDE for ML Solution Prototyping
- Title（参考訳）: Proto-ML: MLソリューションプロトタイピングのためのIDE
- Authors: Selin Coban, Miguel Perez, Horst Lichter,
- Abstract要約: Proto-MLは、ステークホルダーの関与を強化するために設計された機械学習(ML)プロトタイピングツールである。
Proto-MLは、プロトタイピングアクティビティの構造化ドキュメントを可能にする統一されたフレームワークを提供し、知識共有を促進する。
予備的なユーザフィードバックは、Proto-MLがプロトタイピング効率を高め、より透過的で再利用可能なMLソリューション開発を促進することを示唆している。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prototyping plays a critical role in the development of machine learning (ML) solutions, yet existing tools often provide limited support for effective collaboration and knowledge reuse among stakeholders. This paper introduces Proto-ML, an IDE designed to strengthen ML prototyping workflows. By addressing key deficiencies such as insufficient stakeholder involvement, limited cross-project knowledge reuse, and fragmented tool support, Proto-ML offers a unified framework that enables structured documentation of prototyping activities and promotes knowledge sharing across projects. The Proto-ML IDE consists of three extension bundles: prototype implementation, analysis, and knowledge management. These extensions support tasks ranging from evaluating prototype quality against defined criteria to incorporating stakeholder perspectives throughout the development process. Preliminary user feedback suggests that Proto-ML can increase prototyping efficiency and foster more transparent and reusable ML solution development.
- Abstract（参考訳）: プロトタイピングは機械学習(ML)ソリューションの開発において重要な役割を果たすが、既存のツールはステークホルダー間の効果的なコラボレーションと知識の再利用を限定的にサポートすることが多い。
本稿では,MLプロトタイピングワークフローを強化するためのIDEであるProto-MLを紹介する。
ステークホルダーの関与不足、プロジェクト間の知識の再利用の制限、ツールサポートの断片化といった重要な欠陥に対処することによって、Proto-MLはプロトタイピングアクティビティの構造化されたドキュメンテーションを可能にし、プロジェクト間の知識共有を促進する統一されたフレームワークを提供する。
Proto-ML IDEは、プロトタイプ実装、分析、知識管理の3つの拡張バンドルで構成されている。
これらの拡張は、定義された基準に対してプロトタイプの品質を評価することから、開発プロセス全体を通してステークホルダーの視点を取り入れることまで、タスクをサポートします。
予備的なユーザフィードバックは、Proto-MLがプロトタイピング効率を高め、より透過的で再利用可能なMLソリューション開発を促進することを示唆している。
関連論文リスト
- Graft: Integrating the Domain Knowledge via Efficient Parameter Synergy for MLLMs [56.76586846269894]
MLLM(Multimodal Large Language Models)は、様々な領域で成功している。
その重要性にもかかわらず、ドメイン固有のMLLM間の知識共有の研究はほとんど未調査のままである。
専門家機能のモジュール構成を可能にする統一パラメータ統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-30T15:07:41Z) - Define-ML: An Approach to Ideate Machine Learning-Enabled Systems [1.3541839896498067]
ソフトウェアシステムにおける機械学習(ML)は、特別なアイデアのアプローチを必要とする。
Lean Inceptionのような従来のアイデア手法では、MLの考慮事項に対する構造化されたサポートが欠如しています。
本稿では、リーンインセプションを適切なアクティビティで拡張するフレームワークであるDefin-MLを提案する。
論文 参考訳（メタデータ） (2025-06-25T17:11:26Z) - 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) - From Prompts to Templates: A Systematic Prompt Template Analysis for Real-world LLMapps [20.549178260624043]
大規模言語モデル(LLM)は、自然言語のプロンプトを通じて直感的なタスク実行を可能にすることで、人間とAIのインタラクションに革命をもたらした。
構造や単語の小さなバリエーションは、出力に大きな違いをもたらす可能性がある。
本稿では,実用LLMappにおけるプロンプトテンプレートの包括的解析について述べる。
論文 参考訳（メタデータ） (2025-04-02T18:20:06Z) - From Exploration to Mastery: Enabling LLMs to Master Tools via Self-Driven Interactions [60.733557487886635]
本稿では,大規模言語モデルと外部ツールとの包括的ギャップを埋めることに焦点を当てる。
動的精錬ツールの文書化を目的とした新しいフレームワーク DRAFT を提案する。
この方法論は、3つの異なる学習フェーズからなる革新的な試行錯誤アプローチに基づいている。
論文 参考訳（メタデータ） (2024-10-10T17:58:44Z) - Constraining Participation: Affordances of Feedback Features in Interfaces to Large Language Models [49.266685603250416]
大規模言語モデル(LLM)は、コンピュータ、Webブラウザ、ブラウザベースのインターフェースによるインターネット接続を持つ人なら誰でも利用できるようになった。
本稿では,ChatGPTインタフェースの対話型フィードバック機能によって,LLMへのユーザ参加が期待できるかを検討する。
論文 参考訳（メタデータ） (2024-08-27T13:50:37Z) - The Synergy between Data and Multi-Modal Large Language Models: A Survey from Co-Development Perspective [53.48484062444108]
モデルとデータの開発は2つの別々のパスではなく、むしろ相互接続であることがわかった。
一方,MLLMはデータ開発に役立てることができるため,MLLMの性能向上に寄与する。
MLLMコミュニティにおけるデータモデル共同開発を促進するために,データモデル共同開発の観点からMLLMに関連する既存の研究を体系的にレビューする。
論文 参考訳（メタデータ） (2024-07-11T15:08:11Z) - Reasonable Scale Machine Learning with Open-Source Metaflow [2.637746074346334]
既存のツールを再購入しても、現在の生産性の問題は解決しない、と私たちは主張します。
私たちは、データ実践者の生産性を高めるために明示的に設計された、MLプロジェクトのためのオープンソースのフレームワークであるMetaflowを紹介します。
論文 参考訳（メタデータ） (2023-03-21T11:28:09Z)
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。