論文の概要: Microservice Architecture Patterns for Scalable Machine Learning Systems

• arxiv url: http://arxiv.org/abs/2603.13672v1
• Date: Sat, 14 Mar 2026 00:44:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.331581
• Title: Microservice Architecture Patterns for Scalable Machine Learning Systems
• Title（参考訳）: スケーラブル機械学習システムのためのマイクロサービスアーキテクチャパターン
• Authors: Sowjanya Karanam, Jayanth Bhargav,
• Abstract要約: マイクロサービスアーキテクチャは、複雑な機械学習システムを独立した小さなパーツに分割し、自分で構築、更新、スケールすることができる。 Netflix、Uber、Googleといった大手企業が、トレーニング、デプロイメント、監視といった機械学習タスクにどのように取り組んでいるのかをレビューします。 このようなシステムの設計に関わる主な課題について論じ、大規模アプリケーション、特にレコメンデーションシステムにどのように適合するかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is now a central part of how modern systems are built and used, powering everything from personalized recommendations to large-scale business analytics. As its role grows, organizations are facing new challenges in managing, deploying, and scaling these models efficiently. One approach that has gained wide adoption is the use of microservice architectures, which break complex machine learning systems into smaller, independent parts that can be built, updated, and scaled on their own. In this paper, we review how major companies such as Netflix, Uber, and Google use microservices to handle key machine learning tasks like training, deployment, and monitoring. We discuss the main challenges involved in designing such systems and explore how microservices fit into large-scale applications, particularly in recommendation systems. We also present some simulation studies showing that microservice-based designs can reduce latency and improve scalability, leading to faster, more efficient, and more responsive machine learning applications in real-world and large-scale systems.
• Abstract（参考訳）: 機械学習は現在、パーソナライズされたレコメンデーションから大規模ビジネス分析に至るまで、最新のシステムの構築と使用方法の中心となっている。 組織の役割が拡大するにつれて、これらのモデルを効率的に管理、デプロイ、スケーリングする上で、新たな課題に直面しています。 マイクロサービスアーキテクチャを使用することで、複雑な機械学習システムをより小さく独立した部分に分割し、構築、更新、拡張を独自に行うことが可能になる。 本稿では、Netflix、Uber、Googleといった大企業が、トレーニング、デプロイメント、監視といった機械学習タスクにマイクロサービスを使用しているかをレビューする。 このようなシステムの設計に関わる主な課題について論じ、マイクロサービスが大規模アプリケーション、特にレコメンデーションシステムにどのように適合するかを探る。 また、マイクロサービスベースの設計がレイテンシを低減し、スケーラビリティを向上し、現実のシステムや大規模システムにおいて、より速く、より効率的に、よりレスポンシブな機械学習アプリケーションを実現する、というシミュレーション研究も示しています。

関連論文リスト

• A quantitative framework for evaluating architectural patterns in ML systems [49.1574468325115]
  本研究では,MLシステムにおけるアーキテクチャパターンの定量的評価のための枠組みを提案する。 コスト効率のよいCPUベースの推論のためのスケーラビリティとパフォーマンスメトリクスに注目します。
  論文  参考訳（メタデータ） (2025-01-20T15:30:09Z)
• Application-Driven Innovation in Machine Learning [56.85396167616353]
  機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。 このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。 このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
  論文  参考訳（メタデータ） (2024-03-26T04:59:27Z)
• Systematic Mapping of Monolithic Applications to Microservices Architecture [2.608935407927351]
  モノリシックシステムから移行する際、組織が直面するメリットと課題について論じる。 ドメイン駆動開発の概念を用いてモノリシックなシステムを識別する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T15:47:11Z)
• Continual learning on deployment pipelines for Machine Learning Systems [4.884688557957589]
  機械学習システムの展開は、非常に重要なトピックになりつつある。 本稿では、理論と実践における様々な技術の利点とデメリットを比較した。 また、機械学習システムのデプロイに対する評価フレームワークの意識を高めることも目標としている。
  論文  参考訳（メタデータ） (2022-12-05T23:40:57Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Launchpad: A Programming Model for Distributed Machine Learning Research [12.618286123360233]
  分散システムの定義と起動のプロセスを簡単にするプログラミングモデルであるLaunchpadを紹介します。 提案するフレームワーク,設計哲学,実装について述べるとともに,このアプローチによって設計が大幅に単純化された共通学習アルゴリズムの例を多数紹介する。
  論文  参考訳（メタデータ） (2021-06-07T17:02:10Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。