Nguồn tham khảo: Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., & Zimmermann, T. (2019). Software Engineering for Machine Learning: A Case Study. In 2019 IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP) (tr. 291–300). https://doi.org/10.1109/ICSE-SEIP.2019.00042
Truy cập toàn văn: https://doi.org/10.1109/ICSE-SEIP.2019.00042
Tóm tắt nội dung
Saleema Amershi, Andrew Begel, Christian Bird, Robert DeLine, Harald Gall, Ece Kamar, Nachiappan Nagappan, Besmira Nushi và Thomas Zimmermann (ICSE-SEIP 2019) tìm hiểu các tổ chức thay đổi quy trình phát triển phần mềm ra sao khi tích hợp trí tuệ nhân tạo vào sản phẩm. Nhóm tác giả quan sát các nhóm phần mềm tại Microsoft khi xây dựng ứng dụng trí tuệ nhân tạo, dựa trên một quy trình chín giai đoạn đúc kết từ các dự án tìm kiếm, xử lý ngôn ngữ và công cụ dữ liệu.
Kết quả cho thấy nhiều nhóm đã lồng quy trình này vào quy trình kỹ thuật phần mềm kiểu Agile sẵn có, đồng thời gặp một số thách thức kỹ thuật cốt lõi. Các tác giả tổng hợp thực hành tốt và chỉ ra ba điểm khác biệt so với phần mềm truyền thống: tìm kiếm, quản lý và đánh phiên bản dữ liệu phức tạp hơn nhiều; tùy biến và tái sử dụng mô hình đòi hỏi kỹ năng mà nhóm phần mềm thường chưa có; và thành phần trí tuệ nhân tạo khó tách thành mô-đun độc lập vì các mô hình có thể đan xen phức tạp và có hành vi lỗi không đơn điệu.
Với trường đại học, bài học rõ nhất là phải quản lý phiên bản dữ liệu học vụ và mô hình ngay từ đầu, và bổ sung người có kỹ năng học máy cho nhóm phần mềm của hệ thống quản lý đào tạo.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Nghiên cứu tại Microsoft của Amershi và cộng sự (2019) chỉ ra ba điểm khiến học máy khác phần mềm thông thường: quản lý và đánh phiên bản dữ liệu phức tạp hơn nhiều, tùy biến mô hình cần kỹ năng khác, và các thành phần mô hình khó tách thành mô-đun độc lập.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp