.png){kind=icon}
返回
Machine Learning Lifecycle Explorer: Leverage the Lifecycle Metadata (onto) Logically
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03550-9_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习（ML）在复杂性和重要性上的持续增长，有效的生命周期管理成为成功模型开发和部署的关键因素。一个关键挑战是整个ML生命周期中的元数据管理，以确保可重复性、性能跟踪和最优模型评估。在先前的工作中，我们介绍了机器学习生命周期本体（MLLO），这是一种标准化的、可扩展的、与ML框架无关的解决方案，用于在整个ML过程中表示元数据。本文基于MLLO，引入了一个相关软件工具，称为机器学习生命周期探索器（MLLE，发音为'milly'）。MLLE旨在通过图形用户界面利用MLLO与ML元数据交互。它由两个主要组件组成：MLLO分析器，促进数据集发现、模型评估和性能跟踪；以及MLLO编辑器，使用户能够可视化、编辑和创建ML管道。在本文中，我们展示了MLLE如何利用MLLO根据ML应用需求促进模型重用。本文最后讨论了MLLO和MLLE的未来发展方向，以支持其他用例。
Keyword:
MLOps
Ontology
Machine Learning Lifecycle Management
期刊
机构
引用论文
分享收藏Semmelrock, H.; Ross-Hellauer, T.; Kopeinik, S.; Theiler, D.; Haberl, A.; Thalmann, S.; Kowald, D. Reproducibility in machine-learning-based research: Overview, barriers, and drivers. AI Mag. 2025, 46, e70002. [Google Scholar] [CrossRef]Semmelrock, H.; Ross-Hellauer, T.; Kopeinik, S.; Theiler, D.; Haberl, A.; Thalmann, S.; Kowald, D. 基于机器学习的研究可重复性：概述、障碍与驱动因素。AI Mag. 2025, 46, e70002. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏 没有更多内容
没有更多内容