基于 AI 系统中的技术债务与反模式刻画：一项系统映射研究
软件工程
2021-08-24 v1 人工智能
机器学习
摘要
背景：随着人工智能（AI）的日益普及，以经济高效且可管理的方式构建大型复杂基于 AI 的系统之需求不断增长。与传统软件类似，技术债务（TD）会在这些系统中随时间自然产生，因此若管理不当将导致挑战与风险。数据科学的影响以及基于 AI 系统的随机性也可能引发新型 TD 或反模式，研究者和从业者尚未充分理解。目标：我们研究的目标是清晰概述并刻画基于 AI 的系统中出现的 TD 类型（既有已确立的也有新的），以及所提出的反模式与相关解决方案。方法：遵循系统映射研究流程，识别并分析了 21 篇原始研究。结果：我们的结果表明：(i) 基于 AI 的系统中存在已确立的 TD 类型及其变体，以及四种新 TD 类型（数据、模型、配置和伦理债务）；(ii) 文献中讨论了 72 种反模式，多数与数据和模型缺陷相关；(iii) 已提出 46 种解决方案，用于应对特定 TD 类型、反模式或总体 TD。结论：我们的结果可支持 AI 从业者对其系统中存在的 TD 方面进行推理与沟通。此外，它们可作为未来研究的基础，以深化我们对基于 AI 系统中 TD 的理解。
引用
@article{arxiv.2103.09783,
title = {Characterizing Technical Debt and Antipatterns in AI-Based Systems: A Systematic Mapping Study},
author = {Justus Bogner and Roberto Verdecchia and Ilias Gerostathopoulos},
journal= {arXiv preprint arXiv:2103.09783},
year = {2021}
}
备注
Accepted at the 4th International Conference on Technical Debt (TechDebt 2021)