机器学习中的可维护性挑战：系统性文献综述
人工智能
2024-08-20 v1 软件工程
摘要
背景：随着机器学习（ML）在诸多领域的快速发展，学术界和企业界广泛采用。然而，ML在维护方面存在诸多不同于传统软件项目的挑战。识别这些可维护性挑战的原因有助于及早缓解，并在不降低ML性能的前提下持续提供价值。目标：本研究旨在识别和综合ML工作流程中不同阶段的可维护性挑战，理解这些阶段的相互依赖性及其对各阶段可维护性的影响。方法：本研究采用系统性文献综述方法，对13000多篇论文进行筛选，然后选取并对56篇进行定性分析。结果：（i）讨论了数据工程、模型工程工作流程以及构建ML系统当前的可维护性挑战；（ii）将13项可维护性挑战映射到ML各阶段的相互依赖环节，说明其对整个工作流程的影响；（iii）为开发ML工具的开发者和研究人员提供了洞见。结论：本研究使实践者和组织了解ML工作流程各阶段的可维护性挑战及其影响，使其能够规避陷阱，有助于构建可维护的ML系统。这些影响和挑战也为未来研究提供了基础，以加强对ML系统可维护性的理解。
引用
@article{arxiv.2408.09196,
title = {Maintainability Challenges in ML: A Systematic Literature Review},
author = {Karthik Shivashankar and Antonio Martini},
journal= {arXiv preprint arXiv:2408.09196},
year = {2024}
}