机构名称：
¥ 1.0
从认知科学到生物学、金融学、物理学和社会科学等多个研究学科以及许多公司都认为，数据驱动和智能解决方案必不可少。不幸的是，当前的人工智能 (AI) 和机器学习 (ML) 技术尚未充分普及——构建复杂的 AI 和 ML 系统需要深厚的计算机科学专业知识和广泛的编程技能，才能在相当低的抽象水平上使用各种机器推理和学习技术。它还需要在模型选择、数据清理、特征选择和参数调整方面进行大量的反复试验。此外，缺乏可用于抽象这些细微差别的理论理解。传统的编程语言和软件工程范式也并非为解决 AI 和 ML 从业者面临的挑战而设计的。2016 年，各公司在 AI 方面投资了 260 至 390 亿美元，麦肯锡预测未来几年的投资将不断增长。任何基于 AI/ML 的系统都需要构建、测试和维护，但业界缺乏针对此类系统的成熟工程实践，因为它们与传统软件系统有着根本区别。本次 Dagstuhl 研讨会将两个相对分散的社区——软件工程和编程语言 (PL/SE) 以及人工智能和机器学习 (AI-ML) 聚集在一起，共同探讨如何提高数据科学家、软件工程师和行业 AI-ML 从业人员的生产力的未决问题。
SE4ML – 基于 AI-ML 系统的软件工程
主要关键词
相关文件推荐
