以数据为导向架构视角的实际机器学习系统调查
本研究通过建立适应现代应用和组织要求的架构框架,针对数据科学和机器学习相关的利益相关者的需求,提出了用于评估和基准测试 ML-enabled CPS 的标准以及支持用户进行建模和开发管道的工具评估的标准。通过文献回顾、专家访谈和在线问卷调查等多种经验和定性研究方法,我们收集、分析和整合了来自 25 多个国家的 10 多个组织中 77 位专家的意见,以制定和验证所提出的框架。
Aug, 2023
本文提出了一种两步架构,通过结合监督学习和强化学习来处理动态避障任务。第一步,我们采用数据驱动方法使用循环神经网络估计障碍物的碰撞风险,以解决非线性障碍物移动的鲁棒性问题。第二步,我们将这些碰撞风险估计值纳入强化学习智能体的观察空间,以增加其环境感知能力。我们通过在具有多个障碍物的复杂环境中训练不同的强化学习智能体来展示我们的两步方法的有效性。实验证明,将碰撞风险指标整合到观察空间中,可以使智能体的奖励性能提升一倍,相当于在考虑的环境中减少一半的碰撞次数。此外,我们还证明该架构的性能改进与所采用的强化学习算法无关。
Nov, 2023
该论文探讨了人工智能的发展带来的挑战,提出了在系统、架构和安全方面的研究方向,以解决 AI 技术存储和处理数据量的限制,并提高数据隐私保护,以便这一技术能够更好地改善人们的生活和社会。
Dec, 2017
本文介绍了 IBM 的深度学习服务(DLaaS)的软件架构细节,该服务提供深度学习库,通过分布和编排层,资源供应层实现在云中可伸缩和弹性的管理,利用深度学习以及云计算相结合的业务模式,将传统机器学习方法向深度学习推进。
Sep, 2017
本文讨论了数据在构建 AI 系统中的作用,强调了数据质量和可靠性的重要性。作者提出三个任务:培训数据开发、评估数据开发和数据维护,并列举了一些挑战和展望。
Jan, 2023
研究 ML 技术在航空产品中的应用,提出数据为中心的 ODD 定义方法,解释了这些数据对 ML 模型构建、系统层次影响、学习保证过程及系统架构等的作用。
Jul, 2023
本研究旨在提出一种综合方法,将软件工程和人工智能社区的模型结合起来,实现驱动智能系统的模型驱动软件开发,主要着重于物联网领域,并通过案例研究和用户评估验证了该方法的可行性和性能提升。
Jul, 2021
引入 MachineLearnAthon 格式,该创新的教学概念旨在包容来自不同学科、数学、编程和领域专业知识水平不同的学生,通过使用工业数据集解决实际问题的 ML 挑战来促进数据素养和实践技能,从数据准备、部署到评估,涵盖整个 ML 流程。
Jan, 2024
研究了机器学习系统的最小自动化部署技术,并比较了自动化部署技术的优劣,以帮助后来的采用者避免在实际使用案例中发生概括性错误,并选择更好的策略,同时提高机器学习系统的部署评估框架意识,有更全面、有用的评估指标,而不仅仅关注单一的因素,这对于行业决策者尤为重要。
Dec, 2022
本文介绍了 Adversarial Resilience Learning(ARL)概念,其定义了两个代理类,即攻击者和防御者,这两个代理机器人在没有任何领域知识的情况下互相探索和训练,并且可以使用广泛的模型自由和模型基础的深度强化学习算法,例如在复杂的电力网络上运行实验,以实现复杂环境下的检查和弹性运行。
May, 2020