論文の概要: Exploring CoCo Challenges in ML Engineering Teams: Insights From the Semiconductor Industry

• arxiv url: http://arxiv.org/abs/2605.07389v1
• Date: Fri, 08 May 2026 07:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.898053
• Title: Exploring CoCo Challenges in ML Engineering Teams: Insights From the Semiconductor Industry
• Title（参考訳）: MLエンジニアリングチームにおけるCoCoの課題を探る - 半導体産業からの洞察
• Authors: A. Azamnouri, M. Haug, L. Woltmann, M. Fritz, J. Bogner, S. Wagner,
• Abstract要約: 複雑なソフトウェアシステムへの機械学習の統合は、これらのシステムを構築するチームのコラボレーションとコミュニケーション(CoCo)において課題を増している。 以前の研究でいくつかのCoCoの課題とプラクティスが明らかになったが、その多くはソフトウェア中心の企業に焦点を当てている。 ハードウェア中心の環境では、CoCoの課題は厳格なデータガバナンス、長い開発サイクル、物理的プロセスとの密結合といった追加の制約によって形成されます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of machine learning (ML) into complex software systems has increased challenges in collaboration and communication (CoCo) of the teams building these systems. ML engineering (MLE) teams often involve diverse roles, ML engineers, data scientists, software engineers, and domain experts, each bringing unique goals, experiences, and jargon. These interdisciplinary dynamics can make it challenging to deploy, reproduce, and maintain ML-enabled systems over the long term. Previous studies have uncovered several CoCo challenges and practices, but most have focused on software-centric companies, leaving limited empirical understanding of how these dynamics unfold in hardware-centric contexts. In hardware-centric environments, CoCo challenges are shaped by additional constraints such as strict data governance, long development cycles, and tight coupling with physical processes, which amplify coordination complexity and reduce flexibility. To strengthen empirical understanding in such settings, we present a qualitative investigation of MLE teams within a global semiconductor company, where ML-enabled systems and manufacturing processes introduce additional complexity. We interviewed 12 practitioners regarding CoCo practices, tools, challenges, and approaches. Through analysis, we identified 16 recurring challenges, with unclear roles and responsibilities emerging as the most critical, and common practices and recommendations practitioners considered effective in mitigating CoCo problems. While grounded in a single organizational context, our findings align with known issues in interdisciplinary ML-enabled systems development, but also demonstrate how these challenges manifest differently under hardware-driven constraints. Our results highlight directions for future research and tool support to strengthen CoCo in MLE projects and ensure the success of ML-enabled systems.
• Abstract（参考訳）: 複雑なソフトウェアシステムへの機械学習(ML)の統合は、これらのシステムを構築するチームのコラボレーションとコミュニケーション(CoCo)において、課題を増している。 MLエンジニアリング(MLE)チームは、さまざまな役割を持つことが多い。MLエンジニア、データサイエンティスト、ソフトウェアエンジニア、ドメインエキスパート。 これらの学際的ダイナミクスは、長期にわたってML対応システムのデプロイ、複製、保守を困難にします。 これまでの研究でいくつかのCoCoの課題やプラクティスが明らかになったが、その多くはソフトウェア中心の企業に焦点を当てており、これらのダイナミクスがハードウェア中心のコンテキストでどのように展開されるかという経験的な理解は限られている。 ハードウェア中心の環境では、CoCoの課題は、厳格なデータガバナンス、長い開発サイクル、物理的プロセスとの密結合など、複雑さの調整と柔軟性の低減といった追加的な制約によって形成されます。 このような状況下での実証的な理解を深めるために,ML対応システムや製造プロセスが複雑化するグローバル半導体企業内のMLEチームについて質的な調査を行う。 私たちは、CoCoプラクティス、ツール、課題、アプローチについて、12人の実践者氏にインタビューしました。 分析により,CoCo問題の緩和に有効なと考える実践者に対して,最も重要かつ一般的な実践や勧告として,役割や責任が不明な16の繰り返し課題を特定した。 単一の組織的な状況下では、私たちの研究結果は、学際的なML対応システム開発における既知の問題と一致していますが、これらの課題がハードウェア駆動の制約の下でどのように異なるかを示しています。 MLEプロジェクトにおけるCoCoの強化とML対応システムの成功を保証するための今後の研究とツールサポートの方向性を強調した。

関連論文リスト

• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• 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)
• Knowledge Augmented Complex Problem Solving with Large Language Models: A Survey [48.53273952814492]
  大規模言語モデル(LLM)は、様々なドメインにまたがる複雑な問題に対処できる強力なツールとして登場した。 LLMを現実世界の問題解決に適用することは、多段階推論、ドメイン知識の統合、結果検証など、重大な課題を提示します。
  論文  参考訳（メタデータ） (2025-05-06T10:53:58Z)
• Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review [5.044100238869375]
  本稿では,機械学習(ML)システムにおけるスケーラビリティと保守性に関する重要な課題と解決策について考察する。 MLアプリケーションがますます複雑になり、業界全体に広まっていくにつれ、システムのスケーラビリティと長期的な保守性とのバランスの必要性が大きな懸念事項となっている。 我々は124の論文を分析し、41の保守性課題と13のスケーラビリティ課題とそれに対応するソリューションを特定し、分類した。
  論文  参考訳（メタデータ） (2025-04-15T11:24:43Z)
• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• On the Interaction between Software Engineers and Data Scientists when building Machine Learning-Enabled Systems [1.2184324428571227]
  機械学習(ML)コンポーネントは、組織のコアシステムにますます統合されています。 重要な課題の1つは、緊密に連携する必要がある異なるバックグラウンドを持つアクター間の効果的な相互作用である。 本稿では,MLプロジェクトにおけるこれらの役割間の相互作用と協調のダイナミクスを理解するための探索ケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-02-08T00:27:56Z)
• An Exploratory Study of V-Model in Building ML-Enabled Software: A Systems Engineering Perspective [0.7252027234425334]
  機械学習(ML)コンポーネントは、ますます重要で影響力のあるソフトウェアシステムに追加されている。 本研究は,ML対応システム構築における学際的コラボレーション課題へのV-Modelの適用について検討する。
  論文  参考訳（メタデータ） (2023-08-10T06:53:32Z)
• More Engineering, No Silos: Rethinking Processes and Interfaces in Collaboration between Interdisciplinary Teams for Machine Learning Projects [4.482886054198202]
  私たちは、機械学習システムを本番環境に構築、デプロイする際にチームが直面する重要なコラボレーションの課題を特定します。 我々は、要求、データ、統合のためのプロダクションMLシステムの開発における共通のコラボレーションポイントと、対応するチームパターンと課題について報告する。
  論文  参考訳（メタデータ） (2021-10-19T20:03:20Z)
• 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)
• 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。