@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00239236,
 author = {石川, 冬樹 and 鷲崎, 弘宜 and 前澤, 悠太 and 吉岡, 信和 and Jati, Hilamsyah},
 book = {ソフトウェアエンジニアリングシンポジウム2024論文集},
 month = {Sep},
 note = {第一部：深層学習のリペア技術の最新動向と実際 DNN はさまざまな AI システムで活用されており，自動運転などの高い安全性を必要とする AI システムにとっても重要なコンポーネントとなる．その安全性を担保する際には，近くの歩行者が認識できないなど，一部の状況で性能が悪くリスクが大きくなる場合に DNN を修正（リペア）して対応しなければならないことがある．その場合，転移学習など従来の対応方法では，一部の状況で性能改善が他の状況での性能悪化など別の問題を発生させてしまう可能性が高く，システム全体のリスクを軽減できないことがある．深層学習のリペア技術は，その問題に対処するために，特定の状況でのリペアが他の状況の性能劣化に繋がらないように，不都合に強く影響している深層学習のパラメータのみを修正する．本チュートリアルでは，深層学習のリペア技術の概要を解説し，最新の技術動向を紹介する．さらに，我々が JST 未来社会創造事業の eAI プロジェクトの一環として公開しているオープンソースソフトウェアの DNN リペアツールを用いたデモンストレーションを通じて，リペアの実際を示す．第二部：機械学習システムの多面的モデリング・パイプライン統合フレームワーク機械学習モデルの非決定性に伴い，機械学習システムの開発は実験的なものとなる傾向がある．加えて，機械学習特有の技術活動はしばしば他の活動から独立して実施され，ソフトウェアシステムにおける他の側面は十分に考慮されず，結果として全体としての品質や価値を損なう可能性がある．そうした従来の開発とは異なる機械学習システム特有の性質を扱うため，eAI プロジェクトでは機械学習システムの価値や安全性を含む様々な側面を一貫した形で分析設計モデリングし，その内容を継続的に機械学習モデルの訓練や修正，運用のワークフローパイプラインと統合するフレームワークを実現している．このフレームワークの内容をハンズオンの体験形式で解説する．},
 pages = {16--16},
 publisher = {情報処理学会},
 title = {高品質な機械学習システムのエンジニアリングに向けて～深層学習のリペア技術から、多面的モデリング・パイプライン統合フレームワークまで},
 volume = {2024},
 year = {2024}
}