机器学习系统最佳实践：一种用于分析与优化的工业框架
软件工程
2023-06-27 v1 机器学习
摘要
过去几年中，机器学习（ML）与人工智能界对面向 ML 系统的软件工程（SE）兴趣日增，导致大量旨在提升 ML 系统软件质量的最佳实践、规则与指南涌现。然而，理解它们对整体质量的影响则较少受到关注。实践通常以规定性方式呈现，未明确关联其对软件质量的整体贡献。基于不同实践影响软件质量不同方面、且单一质量方面可能由若干实践共同解决这一观察，我们提出一个框架，用以分析最佳实践集合，重点关注质量影响及其实施优先级。我们首先引入一个专为 ML 系统定制的层次化软件质量模型（SQM）。依托专家知识，针对一大组成熟实践，显式地引出个体实践与软件质量方面之间的关联。应用集合函数优化技术，我们可以回答诸如哪些实践集合能最大化 SQM 覆盖、哪些最为重要、为改进特定质量方面应实施哪些实践等问题。我们通过分析知名实践集合说明了框架的用法。
引用
@article{arxiv.2306.13662,
title = {Best Practices for Machine Learning Systems: An Industrial Framework for Analysis and Optimization},
author = {Georgios Christos Chouliaras and Kornel Kiełczewski and Amit Beka and David Konopnicki and Lucas Bernardi},
journal= {arXiv preprint arXiv:2306.13662},
year = {2023}
}