Machine Learning Systems
PulseAugur coverage of Machine Learning Systems — every cluster mentioning Machine Learning Systems across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
MLSYSIM框架支持快速、全栈的机器学习基础设施建模
研究人员开发了MLSYSIM，一个用于建模机器学习系统基础设施的新型分析框架。这个基于Python的引擎将“系统物理学”形式化，能够对从微控制器到数据中心的各种硬件进行快速、全栈的架构推理。通过采用供需抽象并强制执行单元完整性，MLSYSIM能够识别关键约束并合成整个ML系统生命周期的理想硬件规格。
-
MLOps 基础：构建与部署机器学习系统
本文介绍了机器学习运维 (MLOps) 的基本概念，重点关注机器学习系统的生命周期。它概述了在生产环境中有效构建、部署和维护这些系统所涉及的关键阶段。
-
新框架REAL旨在提高ML系统的可信度和对齐度
一个名为REAL（Requirements Engineering for mAchines that Learn - and Fail）的新框架被提出，旨在增强机器学习系统的可信度和利益相关者对齐度。这个基于模型的框架整合了数据、模型和整体系统的需求，并利用系统故障来探索替代需求。该方法强调迭代和可追溯的改进，并通过自动驾驶的例子展示了与利益相关者需求的更好对齐。
-
AI公平性框架增强信用承保红队演练
本文探讨了算法公平性框架如何用于信用承保中人工智能系统的红队演练。文章提出，这些框架除了确保合规性外，还有助于为机构风险管理构建更强大、更安全机器学习系统。重点在于推动人工智能在金融应用中采取纵深防御方法。
-
IML报告为ML系统安全提供新指标
Berryville IML发布了一份新报告，详细介绍了衡量机器学习系统安全性的方法，并将其与成熟的软件安全实践进行类比。该报告可在知识共享许可下免费获取，旨在为应用ML安全提供可操作的见解。
-
DWeb Camp 寻求关于公共、负责任的人工智能议题的提案
DWeb Camp 正在为其公共人工智能议题征集提案，提交截止日期为 5 月 15 日。该议题侧重于开发可公开访问、负责任且值得信赖的大型语言模型 (LLM) 和机器学习 (ML) 系统的策略。目标是促进集体治理并服务于公共利益的人工智能工具。