机器学习中软件工程最佳实践的采纳与效应

对带有机器学习（ML）组件的应用的日益依赖，要求成熟的工程技术以确保其以稳健且面向未来的方式构建。我们旨在实证确定团队开发、部署和维护带ML组件的软件的技术现状。我们挖掘学术与灰色文献，识别出29项面向ML应用的工程最佳实践。我们对313名从业者开展调查，以确定这些实践的采纳程度并验证其感知效应。利用调查反馈，我们量化了实践采纳情况，并按地理或团队规模等人口统计学特征进行区分。我们还检验了相关性，并使用多种统计模型探究实践与其感知效应间的线性与非线性关系。我们的发现表明，例如较大团队倾向于采纳更多实践，且传统软件工程实践的采纳度低于ML特定实践。此外，统计模型能根据特定实践集合的采纳程度准确预测敏捷性、软件质量与可追溯性等感知效应。结合统计模型揭示的实践采纳率与重要性，我们识别出重要但采纳度低的实践，以及被广泛采纳但对所研究效应较不重要的实践。总体而言，我们的调查及回应分析为ML团队评估并逐步改进实践采纳提供了量化基础。