論文の概要: From Failure to Alignment: A Requirements Engineering Framework for Machine Learning Systems
- arxiv url: http://arxiv.org/abs/2606.31589v1
- Date: Tue, 30 Jun 2026 12:41:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.214881
- Title: From Failure to Alignment: A Requirements Engineering Framework for Machine Learning Systems
- Title（参考訳）: 失敗からアライメントへ:機械学習システムに必要なエンジニアリングフレームワーク
- Abstract要約: 本稿では,要求工学的アプローチを採用することにより,利害関係者のニーズに合致する機械学習システムの開発を支援する枠組みを提案する。
本稿では、自律運転の例を用いて提案フレームワークを実証し、REALが利害関係者の要求に適合するMLSの開発を支援することを示す。
- 参考スコア（独自算出の注目度）: 6.291126067216079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organisations designing, developing, and deploying machine learning systems (MLS) need to be able to check that these systems are trustworthy, and communicate this clearly to their stakeholders, be they different categories of users, engineers, or wider society. By focusing on stakeholders, Requirements Engineering is well positioned to drive the design and engineering of MLS that align with the needs of their stakeholders. Yet, we still need a systematic process for modelling and reasoning about requirements for MLS that is driven both by stakeholders' needs and constraints for MLS development. This paper proposes a framework entitled REAL (Requirements Engineering for mAchines that Learn - and Fail) to help develop MLS that align with stakeholders' needs by adopting a requirements engineering approach. This model-based framework is based on three principles. First, weaving together requirements for data, models, and the system as a whole. Second, using failure to drive the exploration of alternative requirements. Third, iterative and traceable refinement of MLS requirements. We demonstrate the proposed framework using an example from autonomous driving and show that REAL supports the development of MLS that better align with stakeholders' requirements. A replication package is available online.
- Abstract（参考訳）: 機械学習システム(MLS)を設計、開発、デプロイする組織は、これらのシステムが信頼できるかどうかを確認し、これを利害関係者に明確に伝えて、ユーザ、エンジニア、あるいはより広い社会の異なるカテゴリにする必要があります。
利害関係者に焦点を合わせることで、要求工学は利害関係者のニーズに合わせてMLSの設計とエンジニアリングを推進するのに適しています。
しかし、私たちはまだ、利害関係者のニーズとMLS開発の制約の両方によって駆動されるMLSの要求をモデル化し、推論するための体系的なプロセスが必要です。
本稿では,要求工学アプローチを採用することで利害関係者のニーズに合致するMLSの開発を支援するために,REAL(Requirements Engineering for mAchines that Learn - and Fail)というフレームワークを提案する。
このモデルベースのフレームワークは3つの原則に基づいている。
まず、データ、モデル、システム全体の要件をまとめます。
第2に,代替要件の探索に失敗を使用すること。
第3に、MLS要求の反復的でトレーサブルな改善。
本稿では、自律運転の例を用いて提案フレームワークを実証し、REALが利害関係者の要求に適合するMLSの開発を支援することを示す。
複製パッケージはオンラインで入手できる。
関連論文リスト
- Hardware Co-Design Scaling Laws via Roofline Modelling for On-Device LLMs [49.99513618431772]
本稿では,モデル精度と推論性能を捉えるハードウェア共同設計法を提案する。
我々はNVIDIA Jetson Orin上で1,942の候補アーキテクチャを実証的に評価した。
我々のアーキテクチャはWikiText-2で19.42%低いパープレキシティを実現している。
論文 参考訳（メタデータ） (2026-02-10T23:51:00Z) - OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System [61.12400636463362]
OnePieceは、LLMスタイルのコンテキストエンジニアリングと推論を、検索モデルとランキングモデルの両方にシームレスに統合する統合フレームワークである。
OnePieceは、Shopeeの主要なパーソナライズされた検索シナリオにデプロイされ、さまざまな主要なビジネス指標で一貫したオンラインゲインを実現している。
論文 参考訳（メタデータ） (2025-09-22T17:59:07Z) - Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。
我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
論文 参考訳（メタデータ） (2025-05-28T15:20:09Z) - Towards Requirements Engineering for RAG Systems [0.0]
本稿では,海洋企業が大規模言語モデル(LLM)を開発し,統合する方法について考察する。
我々は、AI完全性に対するユーザの期待と、生成された出力の正確性の間に、データサイエンティストがいかに根本的な緊張に直面するかを実証する。
論文 参考訳（メタデータ） (2025-05-12T13:30:44Z) - Exploring LLMs for Verifying Technical System Specifications Against Requirements [41.19948826527649]
知識に基づく要求工学(KBRE)の分野は、システム要件の活用、検証、管理を支援する知識を提供することによって、技術者を支援することを目的としている。
大規模言語モデル(LLM)の出現はKBREの分野で新たな機会を開く。
本研究は, LLMの要件検証における可能性について実験的に検討する。
論文 参考訳（メタデータ） (2024-11-18T13:59:29Z) - Digital requirements engineering with an INCOSE-derived SysML meta-model [0.0]
我々は、モデルベース構造化要求SysMLプロファイルを拡張して、要求書作成のためのINCOSEガイドに準拠します。
結果のSysMLプロファイルはNASAジェット推進研究所の2つのシステムアーキテクチャモデルに適用された。
論文 参考訳（メタデータ） (2024-10-12T03:06:13Z) - 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) - How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。
我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
論文 参考訳（メタデータ） (2023-06-09T11:31:50Z) - Machine Learning Systems: A Survey from a Data-Oriented Perspective [6.933671804969495]
データ指向アーキテクチャ(DOA、Data-oriented Architecture)は、MLモデルを統合する上で、システムにより良いものを提供する新しいスタイルである。
本稿では、MLベースのシステムの実装とデプロイに実践者がDOAを採用した理由、方法、そしてその程度について調査する。
論文 参考訳（メタデータ） (2023-02-09T17:57:02Z) - Technical Report on Neural Language Models and Few-Shot Learning for
Systematic Requirements Processing in MDSE [1.6286277560322266]
本論文は,自動車要件のオープンソースセットの分析に基づくものである。
ドメイン固有の言語構造を導き、要求の不明瞭さを回避し、形式性のレベルを上げるのに役立ちます。
論文 参考訳（メタデータ） (2022-11-16T18:06:25Z) - Common Sense Knowledge, Ontology and Text Mining for Implicit
Requirements [2.568476596998726]
IMPlicit Requirements (IMRs) は、要求収集の際には要求されないがシステムが満たされることを前提としている。
研究によると、ソフトウェアシステムの失敗の主な要因は、未処理のimrの存在である。
本論文では, IMR のソースを特定し, IMR を管理するための自動支援ツールを提案する。
論文 参考訳（メタデータ） (2021-03-21T04:32:58Z) - 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。