构建基于机器学习的系统中的协作挑战：沟通，文档，工程和流程

Oct, 2021

构建基于机器学习的系统中的协作挑战：沟通，文档，工程和流程

Collaboration Challenges in Building ML-Enabled Systems: Communication, Documentation, Engineering, and Process

Nadia Nahar, Shurui Zhou, Grace Lewis, Christian Kästner

TL;DR该研究通过访谈 28 个组织中 45 位从业人员发现，在建立和部署机器学习系统时，团队在需求、数据和整合等方面都面临一些具体的协作挑战，主要来源于沟通、文档记录、工程和流程等方面，因此提出了一些建议以应对这些挑战。

Abstract

The introduction of machine learning (ML) components in software projects has created the need for software engineers to collaborate with data scientists and other specialists. While collaboration can always be c

machine learning collaboration communication documentation process

发现论文，激发创造

机器学习增强的系统工程中的问题命名

通过国际调查，本研究提供了机器学习应用系统工程的现状和问题，推动软件工程实践的进一步应用和传播，以提升机器学习应用系统的工程水平。

May, 2024

超越发展：部署机器学习模型用于结构工程应用的挑战

通过两个实例，本文旨在阐明开发适用于应用的机器学习模型的挑战，强调了通过自适应采样、物理学知识导向的特征选择以及考虑模型复杂性和泛化能力来实施严格的模型验证技术的重要性。

Apr, 2024

一种建模机器学习工程过程的框架

为解决机器学习软件开发复杂性和多学科团队间的沟通问题，本文介绍了基于领域专用语言的机器学习软件开发流程模型框架，该框架通过标准化任务编排、促进沟通、培养协作环境等方式减轻挑战。

Apr, 2024

机器学习系统中的不匹配特征和检测

本文研究了机器学习在软件系统中的应用，指出了机器学习开发和部署中的三个方面：数据科学、软件工程和运营，及其不当的假设可能导致系统失败，通过调查收集了一组共同的不匹配类型，并且发现每个角色对相关不匹配的重要性的优先级不同，这些发现将有助于提高机器学习能力的系统化发展。

Mar, 2021

应用软件工程技术实现应用机器学习的指导

研究指出，现有的机器学习开发环境和 API 缺乏足够的指导及软件工程最佳实践，需要在专门开发的机器学习应用程序开发方面扩展和适应软件工程概念、工具和技术，并为机器学习特定的软件工程提供充足的研究机会。

Mar, 2022

循着最佳实践指引的机器学习

本文旨在通过分析机器学习在软件工程中的最佳实践，填补现有文献不足的空缺，并针对机器学习应用所面临的挑战和开发过程，提出一系列以软件工程视角为基础的建议。

Apr, 2023

部署机器学习的挑战：案例研究调查

该论文调查了部署机器学习模型在实际业务系统中可能遇到的挑战和关注点，并将这些挑战与机器学习部署工作流程的各个阶段对应起来，以期为解决这些挑战探索新的方法和研究方向。

Nov, 2020

为基于模型的 AI 工程开启自动化机器学习

本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

多学科团队中 AI 开发者如何克服沟通挑战：案例研究

多学科合作的 AI 开发中，通信差距与信任问题是重要挑战，通过分析智能开发人员的访谈和沟通产物，分享了智能开发人员面临的通信障碍类型、如何跨学科和组织沟通，以及如何同时管理信任和期望。

Jan, 2021

更好的机器学习工程能力

本文介绍了基于能力的框架，旨在使用机器学习模型行为的细粒度规范来统一现有的机器学习工程支持，并通过初步实验展示了能力对于反映模型通用性的潜力以及将其整合到机器学习工程的挑战和机遇。

Nov, 2022