MLOps for Scarce Image Data: A Use Case in Microscopic Image Analysis

要約

現在、機械学習 (ML) は、これまでにないほど大きな人気を博しています。
ML モデルの運用化は、機械学習オペレーション (MLOps) と呼ばれる一連の概念と手法によって管理されます。
それにもかかわらず、専門家だけでなく研究者も自動化の側面に重点を置き、MLOps の継続的な展開と監視の側面を無視することがよくあります。
その結果、実稼働から開発へのフィードバックの流れを通じた継続的な学習が不足し、特に希少なデータを扱う場合に、コンセプトのドリフトにより時間の経過とともに予期せぬモデルの劣化が発生します。
この研究では、希少データ分析のコンテキストにおける MLOps の完全なアプリケーションを検討します。
この論文では、生物医学画像解析を強化するための新しい総合的なアプローチを提案しています。
私たちの方法には次のものが含まれます。当面の画像分析タスクに関連して最適なモデル、データセット、およびモデル開発戦略を選択できるようにするフィンガープリンティング プロセス。
自動化されたモデル開発段階。
継続的な学習を確実にするための継続的な導入と監視のプロセス。
予備的な結果として、顕微鏡画像データセットでのフィンガープリンティングの概念実証を実行します。

要約(オリジナル)

Nowadays, Machine Learning (ML) is experiencing tremendous popularity that has never been seen before. The operationalization of ML models is governed by a set of concepts and methods referred to as Machine Learning Operations (MLOps). Nevertheless, researchers, as well as professionals, often focus more on the automation aspect and neglect the continuous deployment and monitoring aspects of MLOps. As a result, there is a lack of continuous learning through the flow of feedback from production to development, causing unexpected model deterioration over time due to concept drifts, particularly when dealing with scarce data. This work explores the complete application of MLOps in the context of scarce data analysis. The paper proposes a new holistic approach to enhance biomedical image analysis. Our method includes: a fingerprinting process that enables selecting the best models, datasets, and model development strategy relative to the image analysis task at hand; an automated model development stage; and a continuous deployment and monitoring process to ensure continuous learning. For preliminary results, we perform a proof of concept for fingerprinting in microscopic image datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google