Towards a safe MLOps Process for the Continuous Development and Safety Assurance of ML-based Systems in the Railway Domain

要約

従来の自動化技術だけでは、制限のないインフラストラクチャ上で列車の無人運転（自動化グレード (GoA) 4 と呼ばれる）を実現するには十分ではありません。
必要な認識タスクは現在、機械学習 (ML) を使用して実現されているため、確実かつ効率的に開発および展開する必要があります。
これを達成するための重要な側面の 1 つは、MLOps プロセスを使用して、再現性、トレーサビリティ、コラボレーション、および状況の変化に対する無人運転の継続的な適応の向上に取り組むことです。
MLOps は、ML アプリケーションの開発と運用 (Ops) を組み合わせ、運用からのフィードバックに基づいた高頻度のソフトウェア リリースと継続的なイノベーションを可能にします。
このペーパーでは、鉄道ドメインにおける ML ベースのシステムの継続的な開発と安全性保証のための安全な MLOps プロセスの概要を説明します。
システム エンジニアリング、安全性保証、ML ライフサイクルを包括的なワークフローに統合します。
プロセスの個々の段階とその相互作用を紹介します。
さらに、安全な MLOps プロセスのさまざまな段階を自動化するための関連する課題についても説明します。

要約(オリジナル)

Traditional automation technologies alone are not sufficient to enable driverless operation of trains (called Grade of Automation (GoA) 4) on non-restricted infrastructure. The required perception tasks are nowadays realized using Machine Learning (ML) and thus need to be developed and deployed reliably and efficiently. One important aspect to achieve this is to use an MLOps process for tackling improved reproducibility, traceability, collaboration, and continuous adaptation of a driverless operation to changing conditions. MLOps mixes ML application development and operation (Ops) and enables high frequency software releases and continuous innovation based on the feedback from operations. In this paper, we outline a safe MLOps process for the continuous development and safety assurance of ML-based systems in the railway domain. It integrates system engineering, safety assurance, and the ML life-cycle in a comprehensive workflow. We present the individual stages of the process and their interactions. Moreover, we describe relevant challenges to automate the different stages of the safe MLOps process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google