使用低代码软件进行机器学习的挑战与障碍
软件工程
2022-11-10 v1
摘要
随着大数据在许多领域变得无处不在，越来越多的利益相关者寻求在其数据上开发机器学习（ML）应用。ML 应用的成功通常取决于 ML 专家和领域专家的紧密协作。然而，ML 工程师的短缺仍然是一个根本性问题。低代码机器学习工具/平台（又称 AutoML）旨在通过自动化 ML 流程中的许多重复性任务，将 ML 开发普及给领域专家。本研究对来自 Stack Overflow（SO）的约 1.4 万个包含 AutoML 相关讨论的帖子（问题 + 已采纳答案）进行了实证研究。我们考察了这些主题如何在机器学习生命周期（MLLC）的各个阶段分布，以及它们的流行度和难度。本研究提供了几个有趣的发现。首先，我们发现了 13 个 AutoML 主题，并将其分为四类。MLOps 主题类别（占 43% 的问题）最大，其次是模型（28% 的问题）、数据（27% 的问题）和文档（2% 的问题）。其次，大多数问题是在模型训练（29%）（即实现阶段）和数据准备（25%）这两个 MLLC 阶段提出的。第三，AutoML 实践者认为 MLOps 主题类别最具挑战性，尤其是与模型部署与监控以及自动化 ML 流程相关的主题。这些发现对所有三类 AutoML 利益相关者都有启示：AutoML 研究人员、AutoML 服务供应商和 AutoML 开发者。学术界和工业界的合作可以改进 AutoML 的不同方面，例如更好的 DevOps/部署支持和基于教程的文档。
引用
@article{arxiv.2211.04661,
title = {Challenges and Barriers of Using Low Code Software for Machine Learning},
author = {Md Abdullah Al Alamin and Gias Uddin},
journal= {arXiv preprint arXiv:2211.04661},
year = {2022}
}