## Memo - [最先端と泥臭い実務の現場とのはざまで、生きる - 渋谷駅前で働くデータサイエンティストのブログ](https://tjo.hatenablog.com/entry/2017/12/27/190000) より - > 個人的には、書評記事でも取り上げたNIPS2015論文"Hidden Technical Debt in Machine Learning Systems"中に出てくるこの図はまさにそこをよく表しているとつくづく思います。華麗な理論と数式そして実装と実験例が乱舞する最先端の研究たちに対して、自分たちが直面する実務の現場は果てしなく泥臭く、時として途方もなく消耗的だったりするわけです。 ## Abstract 機械学習は、有用な複合予測システムを迅速に構築するための非常に強力なツールキットを提供する。本論文では、これらの迅速な成果を無料で得られると考えるのは危険であると主張する。ソフトウェア工学のフレームワークである技術的負債を用いて、現実のMLシステムでは多額の継続的なメンテナンスコストが発生することが一般的であることを明らかにした。また、システム設計において考慮すべきML特有のリスク要因をいくつか検討しました。境界侵食、もつれ、隠れたフィードバックループ、宣言されていない消費者、データ依存性、構成問題、外界の変化、そしてシステムレベルの様々なアンチパターンなどです。 [[2015__NeurlIPS__Hidden Technical Debt in Machine Learning Systems__translations]]