Roadmap Analysis of Artificial Intelligence Engineering Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The characteristics of AI-based software have the potential to reshape traditional software development paradigms.Consequently, this study conducts a systematic literature review (SLR) within the field of AI Engineering to identify the unique challenges in software engineering for AI-based systems, which are transforming traditional software development paradigms.The scope of the SLR includes literature from academic journals and conference proceedings published between 2018 and 2023, selected through a rigorous process.The methodology involved using specific search keywords across databases such as Scopus, ScienceDirect, ACM Digital Library, and IEEE Xplore, with a stringent application of Kitchenham's inclusion and exclusion criteria to ensure a focused and relevant review.This review provides a consolidated summary of diverse research endeavors addressing challenges, issues, and methodologies relevant to AI-based software development.Highlighted topics encompass challenges in requirements engineering for AI-intensive system development, responsible software development (responsible AI), the formulation of a software engineering roadmap for responsible AI, the application of TrustOps as a risk management methodology in AI system development, the necessity of incorporating software engineering methods in AI-based systems, as well as studies exploring requirements engineering practices, AI-intensive system development, and the utilization of tools in machine learning model development.Key findings include the importance of recognizing ethical requirements in AI development, the role of risk management and ethical attributes, and the challenges of connecting requirements between software developers, data scientists, and machine learning specialists.This research provides valuable insights for practitioners and researchers involved in developing AI-based software to overcome existing challenges and apply appropriate methods in the development process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle