ترجمه فارسی مقاله چالش های پایداری در ML: مروری بر مطالعات قبلی سیستماتیک

چکیده

Background: As Machine Learning (ML) advances rapidly in many fields, it is being adopted by academics and businesses alike. However, ML has a number of different challenges in terms of maintenance not found in traditional software projects. Identifying what causes these maintainability challenges can help mitigate them early and continue delivering value in the long run without degrading ML performance. Aim: This study aims to identify and synthesise the maintainability challenges in different stages of the ML workflow and understand how these stages are interdependent and impact each other’s maintainability. Method: Using a systematic literature review, we screened more than 13000 papers, then selected and qualitatively analysed 56 of them. Results: (i) a catalogue of maintainability challenges in different stages of Data Engineering, Model Engineering workflows and the current challenges when building ML systems are discussed; (ii) a map of 13 maintainability challenges to different interdependent stages of ML that impact the overall workflow; (iii) Provided insights to developers of ML tools and researchers. Conclusions: In this study, practitioners and organisations will learn about maintainability challenges and their impact at different stages of ML workflow. This will enable them to avoid pitfalls and help to build a maintainable ML system. The implications and challenges will also serve as a basis for future research to strengthen our understanding of the ML system’s maintainability.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف: همانطور که یادگیری ماشین (ML) در بسیاری از زمینه ها به سرعت پیشرفت می کند ، توسط دانشگاهیان و مشاغل به طور یکسان پذیرفته می شود.با این حال ، ML از نظر نگهداری در پروژه های نرم افزاری سنتی ، چالش های مختلفی دارد.شناسایی چه عواملی باعث ایجاد این چالش های حفظ می شود می تواند به کاهش زودرس آنها کمک کند و در طولانی مدت بدون تحسین عملکرد ML ، به ارزش خود ادامه دهد.هدف: این مطالعه با هدف شناسایی و سنتز چالش های حفظ قابلیت حفظ در مراحل مختلف گردش کار ML و درک چگونگی وابسته به هم وابسته و تأثیرگذاری بر قابلیت حفظ یکدیگر است.روش: با استفاده از یک بررسی ادبیات سیستماتیک ، ما بیش از 13000 مقاله را بررسی کردیم ، سپس 56 مورد از آنها را انتخاب و کیفی مورد تجزیه و تحلیل قرار دادیم.یافته ها: (i) کاتالوگ چالش های حفظ قابلیت حفظ در مراحل مختلف مهندسی داده ها ، گردش کار مهندسی مدل و چالش های فعلی هنگام بحث در مورد ساخت سیستم های ML.(ب) نقشه 13 چالش حفظ قابلیت حفظ در مراحل مختلف وابسته به ML که بر گردش کار کلی تأثیر می گذارد.(iii) بینش هایی را برای توسعه دهندگان ابزارها و محققان ML ارائه داد.نتیجه گیری: در این مطالعه ، پزشکان و سازمانها در مورد چالش های حفظ و تأثیر آنها در مراحل مختلف گردش کار ML اطلاعات کسب می کنند.این امر باعث می شود تا از مشکلات جلوگیری کنند و به ساخت سیستم ML قابل حفظ کمک کنند.پیامدها و چالش ها همچنین به عنوان پایه ای برای تحقیقات آینده برای تقویت درک ما از قابلیت حفظ سیستم ML در خدمت خواهد بود.