論文の概要: A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX
- arxiv url: http://arxiv.org/abs/2603.27296v1
- Date: Sat, 28 Mar 2026 14:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.885384
- Title: A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX
- Title（参考訳）: TensorFlowからJAXへのディープラーニングモデルマイグレーションのためのマルチエージェントAIシステム
- Authors: Stoyan Nikolov, Bernhard Konrad, Moritz Gronbach, Niket Kumar, Ann Yan, Varun Singh, Yaning Liang, Parthasarathy Ranganathan,
- Abstract要約: Googleは、何十ものプロダクトにまたがって機械学習の利用を開拓してきた。
さまざまなMLフレームワークやバージョンで多数のモデルソースコードを維持することは、大きな課題です。
我々は、ディープラーニングモデルからJAXベースのモデルへの自動移行をサポートするために構築した、AIベースのマルチエージェントシステムについて説明する。
- 参考スコア（独自算出の注目度）: 1.4085663724094575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid development of AI-based products and their underlying models has led to constant innovation in deep learning frameworks. Google has been pioneering machine learning usage across dozens of products. Maintaining the multitude of model source codes in different ML frameworks and versions is a significant challenge. So far the maintenance and migration work was done largely manually by human experts. We describe an AI-based multi-agent system that we built to support automatic migration of TensorFlow-based deep learning models into JAX-based ones. We make three main contributions: First, we show how an AI planner that uses a mix of static analysis with AI instructions can create migration plans for very complex code components that are reliably followed by the combination of an orchestrator and coders, using AI-generated example-based playbooks. Second, we define quality metrics and AI-based judges that accelerate development when the code to evaluate has no tests and has to adhere to strict style and dependency requirements. Third, we demonstrate how the system accelerates code migrations in a large hyperscaler environment on commercial real-world use-cases. Our approach dramatically reduces the time (6.4x-8x speedup) for deep learning model migrations and creates a virtuous circle where effectively AI supports its own development workflow. We expect that the techniques and approaches described here can be generalized for other framework migrations and general code transformation tasks.
- Abstract（参考訳）: AIベースの製品とその基盤となるモデルの開発は、ディープラーニングフレームワークの継続的な革新につながっている。
Googleは、何十ものプロダクトにまたがって機械学習の利用を開拓してきた。
さまざまなMLフレームワークやバージョンで多数のモデルソースコードを維持することは、大きな課題です。
これまでのところ、メンテナンスとマイグレーションの作業は、主に人間の専門家が手作業で行っていた。
TensorFlowベースのディープラーニングモデルからJAXベースのモデルへの自動マイグレーションをサポートするために構築した、AIベースのマルチエージェントシステムについて説明する。
まず、静的分析とAI命令を混合したAIプランナが、AI生成の例ベースのプレイブックを使用して、オーケストレータとコーダの組み合わせを確実に追従する非常に複雑なコードコンポーネントのマイグレーション計画を作成する方法を示します。
第2に、評価対象のコードがテストがなく、厳格なスタイルと依存性要件に従わなければならない場合に、開発を加速する品質指標とAIベースの判断を定義する。
第3に,商用実世界のユースケースにおいて,大規模なハイパースケーラ環境におけるコードマイグレーションの高速化を実証する。
当社のアプローチでは,ディープラーニングモデルのマイグレーションに要する時間(6.4x-8x)を劇的に削減し,AIが自身の開発ワークフローを効果的にサポートするような活発なサークルを創出しています。
ここで説明したテクニックやアプローチは、他のフレームワークのマイグレーションや一般的なコード変換タスクに対して一般化できると期待しています。
関連論文リスト
- Agentic Artificial Intelligence (AI): Architectures, Taxonomies, and Evaluation of Large Language Model Agents [14.448267395835721]
エージェントを知覚,脳,計画,行動,ツール利用,コラボレーションに分割する統合分類法を提案する。
また、デジタルオペレーティングシステム、エンボディロボット、その他の特殊なドメインを含む、これらのエージェントが動作する環境もグループ化します。
論文 参考訳（メタデータ） (2026-01-18T19:51:16Z) - SysMoBench: Evaluating AI on Formally Modeling Complex Real-World Systems [12.181911851729614]
我々は、AIが大規模で複雑なシステムを正式にモデル化する能力を評価するベンチマークであるSysMoBenchを紹介する。
私たちは、今日の重要なコンピューティングインフラストラクチャのキーストーンである、並列および分散システムに重点を置いています。
論文 参考訳（メタデータ） (2025-09-27T05:24:54Z) - Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。
これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。
我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
論文 参考訳（メタデータ） (2025-06-16T02:27:25Z) - Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。
Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。
エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
論文 参考訳（メタデータ） (2025-05-26T03:00:21Z) - R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。
機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。
R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
論文 参考訳（メタデータ） (2025-05-20T06:07:00Z) - Generating a Low-code Complete Workflow via Task Decomposition and RAG [0.040964539027092926]
GenAIベースのシステムは、そのスケールと汎用性のために設計が難しい。
我々は、GenAIベースのシステムの設計パターンとして、タスク分解と検索拡張生成の2つのテクニックを定式化した。
これらの2つのパターンがAI開発サイクル全体に影響を与えるため、データセットの生成、モデルトレーニング、モデル評価、デプロイメントフェーズにどのように影響したかを説明します。
論文 参考訳（メタデータ） (2024-11-29T20:13:56Z) - Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。
モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。
このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
論文 参考訳（メタデータ） (2024-07-12T09:24:34Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。