論文の概要: Reshaping the SDLC for Data- and AI-Centric Systems
- arxiv url: http://arxiv.org/abs/2608.17824v1
- Date: Tue, 18 Aug 2026 14:23:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.365284
- Title: Reshaping the SDLC for Data- and AI-Centric Systems
- Title（参考訳）: Data- and AI-Centric SystemsのためのSDLCの再構築
- Abstract要約: 本稿では、データOps、MLOps、LLMOpsを通じて運用されるデータエンジニアリングとソフトウェアエンジニアリングのプラクティスの統合について検討する。
まず、ソフトウェア工学、データ管理、機械学習システム、人間中心のコンピューティングにまたがる文献をライフサイクル変換のフェーズ構造に合成する。
第二に、システム動作がコード、データ、モデル構成上で定義される軽量な形式化を提供します。
第3に,アーティファクト,契約,ゲート,コントロール,ガバナンスレイヤで構成される適応型の5層ライフサイクルフレームワークを開発する。
- 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 traditional Software Development Lifecycle (SDLC) assumes that system behavior is determined primarily by source code, allowing correctness to be specified, implemented, and verified through code-centric practices. Data-intensive and AI-enabled systems challenge this assumption because their behavior emerges from the interaction of code, data, and learned models, while performance may degrade as real-world conditions drift from training data. This paper examines how integrating data engineering and software engineering practices, operationalized through DataOps, MLOps, and LLMOps, reshapes the SDLC for these systems. We make four contributions. First, we synthesize literature across software engineering, data management, machine learning systems, and human-centered computing into a phase-structured account of lifecycle transformation spanning requirements, architecture, development, testing, deployment, monitoring, governance, and organization. Second, we provide a lightweight formalization in which system behavior is defined over code, data, and model configurations; requirements become evaluation-led specifications with probabilistic acceptance regions; and promotion is controlled through statistically grounded validation gates. Third, we develop an adaptive five-layer lifecycle framework comprising artifact, contract, gate, control, and governance layers, positioning maintenance as a closed-loop control problem under configuration drift. Fourth, we propose a conceptual research model linking data engineering integration to measurable lifecycle outcomes and critically assess the evidence base. While the direction of transformation is increasingly established, its magnitude remains insufficiently quantified. We conclude with a research agenda for an empirically grounded, adaptive SDLC for data- and AI-centric systems.
- Abstract（参考訳）: 従来のソフトウェア開発ライフサイクル(SDLC)では、システムの振る舞いは主としてソースコードによって決定され、コード中心のプラクティスによって正確性を特定し、実装し、検証することができると仮定している。
データ集約型AI対応システムは、それらの振る舞いがコード、データ、学習されたモデルの相互作用から生まれるため、この仮定に挑戦する。
本稿では、データOps、MLOps、LLMOpsを通じて運用されるデータエンジニアリングとソフトウェアエンジニアリングのプラクティスの統合について検討し、これらのシステムに対するSDLCの再検討を行う。
私たちは4つの貢献をします。
まず、要件、アーキテクチャ、開発、テスト、デプロイメント、監視、ガバナンス、組織にまたがるライフサイクル変革のフェーズ構造化された説明として、ソフトウェアエンジニアリング、データ管理、機械学習システム、人間中心のコンピューティングにまたがる文献を合成します。
第2に,システム動作がコード,データ,モデル構成上で定義される軽量な形式化,要求が確率的受容領域で評価主導の仕様となること,そして,促進が統計的に根拠付けられた検証ゲートによって制御されること,などがあげられる。
第3に,コンフィグレーションドリフト下でのクローズドループ制御問題として,アーティファクト,コントラクト,ゲート,コントロール,ガバナンスレイヤからなる適応型5層ライフサイクルフレームワークを開発する。
第4に,データ工学の統合を計測可能なライフサイクル結果に結びつける概念研究モデルを提案し,エビデンスベースを批判的に評価する。
変換の方向性はますます確立されているが、その大きさはいまだに十分に定量化されていない。
我々は、データとAI中心のシステムに対して、実証的な基礎を持つ適応型SDLCの研究課題で締めくくります。
関連論文リスト
- KAPPS: A knowledge-based CPPS Architecture for the Circular Factory [10.732247472523357]
循環型製造は、不均一で不確実な条件で使用される製品を再導入する。
このシフトは、可変製品状態、動的に再構成可能なプロセス、人間と機械の知識の統合を扱うことができる製造システムを必要とする。
安定した構造と決定論的実行のために設計された従来型のITアーキテクチャは、これらの要件を満たすことができない。
論文 参考訳（メタデータ） (2026-05-21T13:20:53Z) - daVinci-LLM:Towards the Science of Pretraining [58.6458452580545]
daVinci-LLMは、産業規模の資源と完全な研究自由を組み合わせて、事前訓練の科学を前進させる。
完全なデータ処理パイプライン、完全なトレーニングプロセス、体系的な調査結果をリリースしています。
論文 参考訳（メタデータ） (2026-03-28T07:00:49Z) - Data Science and Technology Towards AGI Part I: Tiered Data Management [53.64581824953229]
我々は、人工知能の開発がデータモデル共進化の新しい段階に入ったと論じる。
我々は、未処理のリソースから組織的で検証可能な知識まで、L0-L4階層のデータ管理フレームワークを紹介します。
提案手法の有効性を実証研究により検証する。
論文 参考訳（メタデータ） (2026-02-09T18:47:51Z) - Data-Driven Methods and AI in Engineering Design: A Systematic Literature Review Focusing on Challenges and Opportunities [0.2545763876632975]
機械学習と統計的手法が現在の実践を支配しているのに対して、ディープラーニングは採用における明らかな上昇傾向を示している。
既存のアプリケーションの主な課題は、限定されたモデル解釈可能性、低い段階的トレーサビリティ、現実の条件下での検証の不十分である。
このレビューは、設計段階のガイドラインへの第一歩であり、フォローアップ合成は、コンピュータ科学のアルゴリズムをエンジニアリング設計の問題や活動にマッピングするべきである。
論文 参考訳（メタデータ） (2025-11-25T11:16:38Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - VDSAgents: A PCS-Guided Multi-Agent System for Veridical Data Science Automation [11.521235834823301]
大規模言語モデル(LLM)は、自動システム設計のためのデータサイエンスにますます統合される。
本稿では,PCS(Predictability-Computability-Stability)の原則に基づくマルチエージェントシステムであるVDSAgentsを提案する。
VDSAgentsを、最先端のエンドツーエンドデータサイエンスシステムと比較し、様々な特徴を持つ9つのデータセット上で評価する。
論文 参考訳（メタデータ） (2025-10-28T12:07:50Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - Integration of Domain Expert-Centric Ontology Design into the CRISP-DM for Cyber-Physical Production Systems [45.05372822216111]
機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。
しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。
このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
論文 参考訳（メタデータ） (2023-07-21T15:04:00Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - From Data to Actions in Intelligent Transportation Systems: a
Prescription of Functional Requirements for Model Actionability [10.27718355111707]
この研究は、多種多様なソースから得られたデータが、その資産やシステム、プロセスの効率的な運用のために、データ駆動モデルを学び、適応するためにどのように使用できるかを説明することを目的としている。
ITSのデータモデリングパイプラインでは、データ融合、適応学習、モデル評価という3つの複合ステージに対して、特性、エンジニアリング要件、本質的な課題を定義します。
論文 参考訳（メタデータ） (2020-02-06T12:02:30Z)
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。