机器学习系统质量保障的理论与实践：一种实验驱动的方法
机器学习
2022-04-13 v2 软件工程
摘要
基于机器学习（ML）的系统的构建需要在其整个生命周期中进行统计控制。仔细量化业务需求并识别影响业务需求的关键因素可降低项目失败的风险。业务需求的量化导致定义代表系统关键绩效指标的随机变量，这些变量需要通过统计实验进行分析。此外，可用的训练数据和实验结果会影响系统的设计。一旦系统开发完成，就会对其进行测试并持续监控，以确保满足其业务需求。这是通过持续应用统计实验来分析和控制关键绩效指标来完成的。本书讲授构建和开发基于ML的系统的艺术。它提倡“实验优先”的方法，强调从项目生命周期开始就定义统计实验的必要性。它还详细讨论了如何在整个生命周期中对基于ML的系统应用统计控制。
引用
@article{arxiv.2201.00355,
title = {Theory and Practice of Quality Assurance for Machine Learning Systems An Experiment Driven Approach},
author = {Samuel Ackerman and Guy Barash and Eitan Farchi and Orna Raz and Onn Shehory},
journal= {arXiv preprint arXiv:2201.00355},
year = {2022}
}