循着最佳实践指引的机器学习
该研究论文提出了一个用于分析机器学习系统中软件工程最佳实践集的质量影响和优先级的框架,并介绍了适用于 ML 系统的分层软件质量模型 (SQM)。通过应用集函数优化技术,可以回答哪些实践集可以最大程度地增加 SQM 覆盖范围,哪些是最重要的,应该实施哪些实践以改善特定的质量方面。
Jun, 2023
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
通过系统文献综述,本文旨在阐述在软件工程 (Software Engineering) 领域中提高人工智能模型可解释性的方法,并总结了已有研究的挑战和未来的研究方向。
Jan, 2024
通过系统文献综述,我们深入研究了大型语言模型(LLMs)与软件工程(SE)的交叉领域,并特别关注 LLMs 在 SE 中的应用、影响和潜在局限。通过收集和分析 2017 年至 2023 年的 229 篇研究论文,我们回答了四个关键研究问题(RQs),比较分析了不同用于 SE 任务的 LLMs 的特点和用途,并详细描述了在此领域中数据收集、预处理和应用的方法,揭示了稳健、经过良好策划的数据集对于成功实施 LLM 的关键作用。同时,我们还调查了优化和评估 LLMs 在 SE 中性能的策略,以及与提示优化相关的常见技术。通过解决上述研究问题,我们勾勒出当前最先进的研究状况,找出现有研究的不足之处,并标注未来研究的有前景的领域。
Aug, 2023
人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工,在此背景下,自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起,旨在自动化构建端到端的人工智能 / 机器学习流水线,这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究,填补了这些信息缺口,并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型,并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。
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
介绍 ML 系统在实际部署中的难点,并提出在传统系统和 ML 领域交叉的新兴研究方向:ML 系统的硬件和软件实现以及针对预测精度之外的指标进行的 ML 优化,同时介绍了一个新的会议 MLSys。
Mar, 2019
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