May, 2024

机器学习增强的系统工程中的问题命名

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 软件工程中机器学习的系统文献综述

    应用机器学习技术研究软件工程领域的现状，特别关注软件质量保证、软件维护、软件理解和软件文档等方面。

    Jun, 2024

  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • 了解机器学习系统中的复杂性及其对测试的影响

    通过对 Rasa 3.0 进行案例研究，本文采用了系统视角并分析其对测试的影响，揭示了机器学习系统视角下的软件工程实践问题。

    Jan, 2023

  • 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

    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。

    Oct, 2021

  • 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

  • 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

  • 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

  • 机器学习系统的技术成熟度水平

    介绍了一种名为 “机器学习技术准备级别” 的系统工程方法，可确保机器学习方法的可靠性和有效性，同时优化产品化和部署过程。

    Jan, 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