論文の概要: Architecturally Significant MLOps Guidelines for ML Model Integration and Deployment: a Gray Literature Review

• arxiv url: http://arxiv.org/abs/2606.06535v1
• Date: Wed, 03 Jun 2026 21:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.35196
• Title: Architecturally Significant MLOps Guidelines for ML Model Integration and Deployment: a Gray Literature Review
• Title（参考訳）: MLモデル統合とデプロイのためのアーキテクチャ上重要なMLOpsガイドライン: Gray Literature Review
• Authors: Faezeh Amou Najafabad, Markus Haug, Keerthiga Rajenthiram, Justus Bogner, Ilias Gerostathopoulos,
• Abstract要約: MLOpsモデルの統合とデプロイに関する現状の知識を分析するため、私たちは103のWebソースに関する灰色の文献レビューを実施しています。 我々はこれらのプラクティスを推奨するガイドラインにテーマ分析を適用した。 我々の結果は、MLOpsシステムにおけるMLモデルの統合とデプロイを研究者や実践者を支援するための、現状のMLOpsガイドラインの概要として役立ちます。
• 参考スコア（独自算出の注目度）: 4.513916758263758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context. Despite the growing adoption of Machine Learning Operations (MLOps), teams often approach MLOps projects in an ad hoc manner due to the lack of consolidated architectural guidance. The community would benefit from a reference that synthesizes knowledge to inform the architectural design of MLOps systems, especially regarding the integration and deployment of ML models. Objective. In response, our goal is to provide a comprehensive overview of architecturally significant guidelines for the integration and deployment of ML models in MLOps systems. Method. We conduct a gray literature review of 103 web sources to analyze state-of-practice knowledge on MLOps model integration and deployment. We then apply thematic analysis to synthesize these practices into recommended guidelines. Results. We contribute a collection of 25 architecturally significant MLOps guidelines for model integration and deployment, organized into five categories, and describe their impact on the overall system architecture. Conclusion. Our results serve as an overview of state-of-practice MLOps guidelines to support researchers and practitioners with the integration and deployment of ML models in their MLOps systems.
• Abstract（参考訳）: コンテキスト。 MLOps(Machine Learning Operations)の採用が増えているにも関わらず、統合されたアーキテクチャガイダンスが欠如しているため、チームはしばしばMLOpsプロジェクトにアドホックな方法でアプローチする。 コミュニティは、MLOpsシステムのアーキテクチャ設計、特にMLモデルの統合とデプロイを知らせる知識を合成する参照の恩恵を受けるだろう。 目的。 私たちの目標は、MLOpsシステムにおけるMLモデルの統合とデプロイのためのアーキテクチャ上重要なガイドラインの包括的な概要を提供することです。 方法。 MLOpsモデルの統合とデプロイに関する現状の知識を分析するため、私たちは103のWebソースに関する灰色の文献レビューを実施しています。 次に、これらのプラクティスを推奨ガイドラインに合成するために、テーマ分析を適用します。 結果。 モデル統合とデプロイメントのために、25のアーキテクチャ上重要なMLOpsガイドラインをまとめて5つのカテゴリに分類し、システムアーキテクチャ全体への影響を説明します。 結論。 我々の結果は、MLOpsシステムにおけるMLモデルの統合とデプロイを研究者や実践者を支援するための、現状のMLOpsガイドラインの概要として役立ちます。

関連論文リスト

• Embedding the MLOps Lifecycle into OT Reference Models [0.40831821256838124]
  マシンラーニングオペレーション(MLOps)のプラクティスは、産業環境では極めて厳格に採用されていますが、Opera-Optial Technology(OT)システムとの統合には大きな課題があります。 このpa-perは、MLOpsとOTen-vironmentsを組み合わせる際の基本的な障害を分析し、確立したOT参照モデルにMLOps prac- ticesを組み込むための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T14:14:21Z)
• From Standalone LLMs to Integrated Intelligence: A Survey of Compound Al Systems [6.284317913684068]
  複合アルシステム(CAIS)は、大規模な言語モデル(LLM)をレトリバー、エージェント、ツール、オーケストレータといった外部コンポーネントと統合する新興パラダイムである。 学術と産業の両方で採用が増加しているにもかかわらず、CAISの景観は断片化され、分析、分類、評価のための統一された枠組みが欠如している。 本調査は,次世代のシステムレベルの人工知能を理解し,開発し,推進するための総合的な基盤を研究者や実践者に提供することを目的とする。
  論文  参考訳（メタデータ） (2025-06-05T02:34:43Z)
• Abstractive Visual Understanding of Multi-modal Structured Knowledge: A New Perspective for MLLM Evaluation [48.462734327375536]
  MLLM(Multi-modal large language model)は、多種多様なシナリオやオブジェクトの包括的理解を可能にする。 MLLMの評価ベンチマークやリーダーボードの普及にもかかわらず、彼らはMLLMが視覚的に現れる構造化された抽象化で世界的知識を理解する上で重要な能力を見落としている。 構造化理解のためのマルチモーダルマップを基盤とした,革新的なベンチマークであるM3STRを提案する。 その結果,抽象的視覚情報を構造化知識で処理し,MLLMの総合的推論能力を向上させるための重要な軌道を図った。
  論文  参考訳（メタデータ） (2025-06-02T04:00:35Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• An Analysis of MLOps Architectures: A Systematic Mapping Study [12.399094410444743]
  本研究は、アーキテクチャの観点から、MLOpsにおける技術の現状を概観する。 研究者や実践者は、私たちの発見を利用して、MLOpsシステムのアーキテクチャ設計を知らせることができます。
  論文  参考訳（メタデータ） (2024-06-28T11:38:50Z)
• Synergistic Integration of Large Language Models and Cognitive Architectures for Robust AI: An Exploratory Analysis [12.9222727028798]
  本稿では、知的行動を示す人工知能エージェントの開発に使用される2つのAIサブセクタの統合について考察する:大規模言語モデル(LLM)と認知アーキテクチャ(CA)である。 我々は3つの統合的アプローチを提案し、それぞれ理論モデルに基づいて、予備的な経験的証拠によって支持される。 これらのアプローチは、LSMとCAの長所を活用すると同時に、弱点を軽減し、より堅牢なAIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-08-18T21:42:47Z)
• Enhancing Architecture Frameworks by Including Modern Stakeholders and their Views/Viewpoints [48.87872564630711]
  データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
  論文  参考訳（メタデータ） (2023-08-09T21:54:34Z)

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。