ترجمه فارسی مقاله درک مکانیسم‌های بازخورد در یادگیری ماشین – Jupyter Notebooks

چکیده

The machine learning development lifecycle is characterized by iterative and exploratory processes that rely on feedback mechanisms to ensure data and model integrity. Despite the critical role of feedback in machine learning engineering, no prior research has been conducted to identify and understand these mechanisms. To address this knowledge gap, we mine 297.8 thousand Jupyter notebooks and analyse 2.3 million code cells. We identify three key feedback mechanisms — assertions, print statements and last cell statements — and further categorize them into implicit and explicit forms of feedback. Our findings reveal extensive use of implicit feedback for critical design decisions and the relatively limited adoption of explicit feedback mechanisms. By conducting detailed case studies with selected feedback instances, we uncover the potential for automated validation of critical assumptions in ML workflows using assertions. Finally, this study underscores the need for improved documentation, and provides practical recommendations on how existing feedback mechanisms in the ML development workflow can be effectively used to mitigate technical debt and enhance reproducibility.

چکیده به فارسی (ترجمه ماشینی)

چرخه توسعه یادگیری ماشین با فرآیندهای تکراری و اکتشافی مشخص می شود که برای اطمینان از داده ها و یکپارچگی مدل به مکانیسم های بازخورد متکی هستند.علیرغم نقش مهم بازخورد در مهندسی یادگیری ماشین ، هیچ تحقیق قبلی برای شناسایی و درک این مکانیسم ها انجام نشده است.برای پرداختن به این شکاف دانش ، ما 297.8 هزار نوت بوک Jupyter را معدن می کنیم و 2.3 میلیون سلول کد را تجزیه و تحلیل می کنیم.ما سه مکانیسم بازخورد اصلی – ادعاها ، بیانیه های چاپی و آخرین بیانیه های سلولی را شناسایی می کنیم و آنها را به شکل های ضمنی و صریح بازخورد طبقه بندی می کنیم.یافته های ما استفاده گسترده از بازخورد ضمنی را برای تصمیمات طراحی مهم و اتخاذ نسبتاً محدود مکانیسم های بازخورد صریح نشان می دهد.با انجام مطالعات دقیق موردی با نمونه های بازخورد منتخب ، ما از پتانسیل اعتبار سنجی خودکار فرضیات مهم در گردش کار ML با استفاده از ادعاها کشف می کنیم.سرانجام ، این مطالعه بر نیاز به مستندات بهبود یافته تأکید می کند و توصیه های عملی در مورد چگونگی استفاده از مکانیسم های بازخورد موجود در گردش کار توسعه ML را می توان به طور مؤثر برای کاهش بدهی فنی و تقویت تکرارپذیری ارائه داد.