ترجمه فارسی مقاله در مورد تغییرپذیری سیستم‌های نرم‌افزاری مبتنی بر هوش مصنوعی به دلیل پیکربندی‌های محیطی

چکیده

[Context] Nowadays, many software systems include Artificial Intelligence (AI) components and changes in the development environment have been known to induce variability in an AI-based system. [Objective] However, how an environment configuration impacts the variability of these systems is yet to be explored. Understanding and quantifying the degree of variability due to such configurations can help practitioners decide the best environment configuration for the most stable AI products. [Method] To achieve this goal, we performed experiments with eight different combinations of three key environment variables (operating system, Python version, and CPU architecture) on 30 open-source AI-based systems using the Travis CI platform. We evaluate variability using three metrics: the output of an AI component like an ML model (performance), the time required to build and run a system (processing time), and the cost associated with building and running a system (expense). [Results] Our results indicate that variability exists in all three metrics; however, it is observed more frequently with respect to processing time and expense than performance. For example, between Linux and MacOS, variabilities are observed in 23%, 96.67%, and 100% of the studied projects in performance, processing time, and expense, respectively. [Conclusion] Our findings underscore the importance of identifying the optimal combination of configuration settings to mitigate performance drops and reduce retraining time and cost before deploying an AI-based system.

چکیده به فارسی (ترجمه ماشینی)

[Context] امروزه ، بسیاری از سیستم های نرم افزاری شامل مؤلفه های هوش مصنوعی (AI) و تغییر در محیط توسعه شناخته شده اند که باعث ایجاد تنوع در یک سیستم مبتنی بر AI می شوند.[هدف] با این حال ، چگونه یک پیکربندی محیط بر تنوع این سیستم ها تأثیر می گذارد.درک و تعیین میزان تغییرپذیری به دلیل چنین تنظیماتی می تواند به پزشکان کمک کند تا بهترین پیکربندی محیط را برای پایدارترین محصولات AI تصمیم بگیرند.[روش] برای دستیابی به این هدف ، ما آزمایشاتی را با هشت ترکیب مختلف از سه متغیر اصلی محیط (سیستم عامل ، نسخه پایتون و معماری CPU) در 30 سیستم مبتنی بر هوش مصنوعی با استفاده از پلت فرم Travis CI انجام دادیم.ما تنوع را با استفاده از سه معیار ارزیابی می کنیم: خروجی یک مؤلفه AI مانند یک مدل ML (عملکرد) ، زمان لازم برای ساخت و اجرای یک سیستم (زمان پردازش) و هزینه مرتبط با ساختمان و اجرای یک سیستم (هزینه).[نتایج] نتایج ما نشان می دهد که تنوع در هر سه معیار وجود دارد.با این حال ، بیشتر با توجه به زمان و هزینه پردازش نسبت به عملکرد مشاهده می شود.به عنوان مثال ، بین لینوکس و MACOS ، تنوع در 23 ٪ ، 96.67 ٪ و 100 ٪ پروژه های مورد مطالعه در عملکرد ، زمان پردازش و هزینه مشاهده می شود.[نتیجه گیری] یافته های ما بر اهمیت شناسایی ترکیب بهینه تنظیمات پیکربندی برای کاهش قطرات عملکرد و کاهش زمان و هزینه بازآموزی قبل از استقرار یک سیستم مبتنی بر هوش مصنوعی تأکید می کند.