Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Rendre un pipeline prêt pour la production : défis et enseignements tirés dans le domaine de la santé

Created by
  • Haebom

Auteur

Daniel Angelo Esteves Lawand (Université de Sao Paulo), Lucas Quaresma Medina Lam (Université de Sao Paulo), Roberto Oliveira Bolgheroni (Université de Sao Paulo), Renato Cordeiro Ferreira (Université de Sao Paulo, Jheronimus Academy of Data Science, Université technique d'Eindhoven, Université de Tilburg), Alfredo Goldman (Université de Sao Paulo), Marcelo Finger (Université de Sao Paulo) Paulo)

Contour

Cet article est un rapport d'expérience analysant le processus de déploiement en production du pipeline d'apprentissage automatique du projet SPIRA, un système basé sur le Machine Learning (MLES) qui prédit l'insuffisance respiratoire par l'analyse de la parole, du point de vue de l'ingénierie logicielle. Nous implémentons le sous-système d'apprentissage continu de SPIRA en trois versions : Big Ball of Mud (v1), Modular Monolith (v2) et Microservices (v3). Nous comparons et analysons l'évolutivité, la maintenabilité, la robustesse et la résilience de chaque version, et partageons les défis et les enseignements tirés. Nous abordons les problèmes courants de qualité du code dans les workflows de science des données et soulignons l'importance des approches d'ingénierie logicielle pour le déploiement en production des pipelines de Machine Learning.

Takeaways, Limitations_

•
Takeaways:
◦
Démontre l’importance des meilleures pratiques d’ingénierie logicielle pour le déploiement en production des pipelines ML.
◦
Comparaison des architectures Big Ball of Mud, Modular Monolith et Microservices, présentant les avantages et les inconvénients de chaque architecture à travers des exemples concrets.
◦
Présenter des stratégies spécifiques pour améliorer l’évolutivité, la maintenabilité, la robustesse et la résilience des systèmes ML.
◦
Fournit aux chercheurs et aux praticiens des informations précieuses sur la production de pipelines ML.
•
Limitations:
◦
Il s’agit d’un rapport empirique spécifique au projet SPIRA et peut ne pas être généralisable à d’autres systèmes ML.
◦
Les mesures de performance quantitatives peuvent manquer pour comparer les trois architectures.
◦
ÉTant donné qu’il s’agit d’une étude de cas limitée à un domaine spécifique (diagnostic d’insuffisance respiratoire), la généralisabilité à d’autres domaines peut être limitée.
👍
Made with Slashpage