論文の概要: Green Architectural Tactics in ML-enabled Systems: An LLM-based Repository Mining Study

• arxiv url: http://arxiv.org/abs/2603.18734v1
• Date: Thu, 19 Mar 2026 10:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.088896
• Title: Green Architectural Tactics in ML-enabled Systems: An LLM-based Repository Mining Study
• Title（参考訳）: ML対応システムにおけるグリーンアーキテクチャの戦術--LLMに基づくレポジトリマイニングスタディ
• Authors: Vincenzo De Martino, Silverio Martínez-Fernández, Fabio Palomba,
• Abstract要約: グリーンAIは、精度を犠牲にすることなく効率を向上することでこれらの問題に対処している。 我々は,GitHub上の205のオープンソースMLプロジェクトについて,マイニングソフトウェアリポジトリ調査を実施している。 文献で報告された緑地の戦術は,採用率に違いはあるものの,実際に用いられていることが確認された。
• 参考スコア（独自算出の注目度）: 11.880262511710642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context: The increasing adoption of machine learning (ML) and artificial intelligence (AI) technologies raises growing concerns about their environmental sustainability. Developing and deploying ML-enabled systems is computationally intensive, particularly during training and inference. Green AI has emerged to address these issues by promoting efficiency without sacrificing accuracy. While prior research has proposed catalogs of sustainable practices (i.e., green tactics), there remains limited understanding of their adoption in practice and whether additional, undocumented tactics exist. Objective: This study aims to investigate the extent to which existing sustainable practices are implemented in real-world ML-enabled systems and to identify previously undocumented practices that support environmental sustainability. Method: We conduct a mining software repository study on 205 open-source ML projects on GitHub. To support our analysis, we design a novel mechanism based on large language models (LLMs) capable of identifying both known and new sustainable practices from code repositories. Results: Our findings confirm that green tactics reported in the literature are used in practice, although adoption rates vary. Furthermore, our LLM-based approach reveals nine previously undocumented sustainable practices. Each tactic is supported with code examples to aid adoption and integration. Conclusions: We finally provide insights for practitioners seeking to reduce the environmental impact of ML-enabled systems and offer a foundation for future research in automating the detection and adoption of sustainable practices.
• Abstract（参考訳）: コンテキスト: 機械学習(ML)と人工知能(AI)技術の採用が増加し、環境の持続可能性に対する懸念が高まります。 ML対応システムの開発とデプロイは、特にトレーニングや推論において、計算集約的である。 グリーンAIは、精度を犠牲にすることなく効率を向上することでこれらの問題に対処している。 これまでの研究では、持続可能なプラクティスのカタログ(すなわち、グリーン戦術)が提案されていたが、実際に採用されていることや、追加の文書化されていない戦術が存在するかどうかについては、限定的な理解が残っている。 目的: 本研究は, 現実のML対応システムにおいて, 既存の持続可能なプラクティスがどの程度実施されているかを調査し, 環境サステナビリティを支える未文書のプラクティスを特定することを目的とする。 メソッド: GitHub上の205のオープンソースMLプロジェクトについて、マイニングソフトウェアリポジトリ調査を実施します。 解析を支援するために,コードリポジトリから,既知のプラクティスと新しいプラクティスの両方を識別可能な,大規模言語モデル(LLM)に基づく新しいメカニズムを設計する。 結果:本研究で報告された緑化戦略は,採用率に違いはあるものの,実際に用いられていることが確認された。 さらに、LLMベースのアプローチでは、これまで文書化されていなかった9つの持続可能なプラクティスが明らかになりました。 各戦術は、採用と統合を支援するコード例でサポートされている。 結論:我々は、ML対応システムの環境への影響を低減し、持続可能なプラクティスの検出と導入を自動化するための将来の研究の基盤を提供する実践者に対して、ようやく洞察を提供する。

関連論文リスト

• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• 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)
• Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study [10.997873336451498]
  グリーンAIは、精度を維持しながら計算要求を減らすことを提唱している。 本稿は、GitHub上の168のオープンソースMLプロジェクトを研究することで、このギャップに対処する。 新たな大規模言語モデル(LLM)ベースのマイニング機構を使用して、グリーン戦略を特定し分析する。
  論文  参考訳（メタデータ） (2024-10-09T09:27:07Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• A Synthesis of Green Architectural Tactics for ML-Enabled Systems [9.720968127923925]
  ML対応システムのための30のグリーンアーキテクチャ戦略のカタログを提供する。 アーキテクチャ戦術は、ソフトウェア品質を改善するための高度な設計手法である。 透明性を高め、その普及を促進するため、我々はオンラインで簡単に消費可能なフォーマットで戦術を利用できるようにした。
  論文  参考訳（メタデータ） (2023-12-15T08:53:45Z)
• 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)

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。