Machine Learning with Requirements: a Manifesto

要約

近年、機械学習は大きな進歩を遂げ、様々な応用領域において多くのブレークスルーをもたらしてきた。しかしながら、機械学習は脆く信頼性に欠けることが多いため、高いリスクを伴うアプリケーションやセーフティ・クリティカルなアプリケーション・ドメインに適用することは、未だ未解決の課題である。本論文では、機械学習モデルを実世界、特にクリティカルな領域により適合させるために、要件定義と要件充足が大いに役立つことを主張する。この目的のために、我々は、(i)要求が自然に発生し、(ii)機械学習モデルが実りある形で展開され、(iii)要求の無視が劇的な結果をもたらす可能性がある2つの問題を提示する。我々は、要求仕様が標準的な機械学習開発パイプラインにどのように有益に統合されるかを示し、要求定義がパイプラインの後続の全てのフェーズに影響を与える可能性のある、新しいピラミッド開発プロセスを提案する。

要約(オリジナル)

In the recent years, machine learning has made great advancements that have been at the root of many breakthroughs in different application domains. However, it is still an open issue how make them applicable to high-stakes or safety-critical application domains, as they can often be brittle and unreliable. In this paper, we argue that requirements definition and satisfaction can go a long way to make machine learning models even more fitting to the real world, especially in critical domains. To this end, we present two problems in which (i) requirements arise naturally, (ii) machine learning models are or can be fruitfully deployed, and (iii) neglecting the requirements can have dramatic consequences. We show how the requirements specification can be fruitfully integrated into the standard machine learning development pipeline, proposing a novel pyramid development process in which requirements definition may impact all the subsequent phases in the pipeline, and viceversa.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL