Roadmap Analysis of Artificial Intelligence Engineering Method
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,018 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,007 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».