Buchumschlag

Sustainability of Machine Learning-Enabled Systems: The Machine Learning Practitioner's Perspective

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	De Martino, Vincenzo, Lambiase, Stefano, Pecorelli, Fabiano, Heuvel, Willem-Jan van den, Ferrucci, Filomena, Palomba, Fabio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Do Communities of ML-Enabled Systems Smell? A Cross-Sectional Study on the Prevalence of Community Smells
von: Annunziata, Giusy, et al.
Veröffentlicht: (2025)

Motivations, Challenges, Best Practices, and Benefits for Bots and Conversational Agents in Software Engineering: A Multivocal Literature Review
von: Lambiase, Stefano, et al.
Veröffentlicht: (2024)

Socio-Technical Well-Being of Quantum Software Communities: An Overview on Community Smells
von: Lambiase, Stefano, et al.
Veröffentlicht: (2026)

Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Purposes
von: Lambiase, Stefano, et al.
Veröffentlicht: (2025)

Investigating the Role of Cultural Values in Adopting Large Language Models for Software Engineering
von: Lambiase, Stefano, et al.
Veröffentlicht: (2024)

Classification, Challenges, and Automated Approaches to Handle Non-Functional Requirements in ML-Enabled Systems: A Systematic Literature Review
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2023)

Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2024)

A Catalog of Fairness-Aware Practices in Machine Learning Engineering
von: Voria, Gianmario, et al.
Veröffentlicht: (2024)

Green Architectural Tactics in ML-enabled Systems: An LLM-based Repository Mining Study
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2026)

Accountability of Robust and Reliable AI-Enabled Systems: A Preliminary Study and Roadmap
von: Scaramuzza, Filippo, et al.
Veröffentlicht: (2025)

From Expectation to Habit: Why Do Software Practitioners Adopt Fairness Toolkits?
von: Voria, Gianmario, et al.
Veröffentlicht: (2024)

Do Prompt Patterns Affect Code Quality? A First Empirical Assessment of ChatGPT-Generated Code
von: Della Porta, Antonio, et al.
Veröffentlicht: (2025)

Understanding Practitioners Perspectives on Monitoring Machine Learning Systems
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

When Code Smells Meet ML: On the Lifecycle of ML-specific Code Smells in ML-enabled Systems
von: Recupito, Gilberto, et al.
Veröffentlicht: (2024)

A First Look at the Lifecycle of DL-Specific Self-Admitted Technical Debt
von: Recupito, Gilberto, et al.
Veröffentlicht: (2025)

"Show Me You Comply... Without Showing Me Anything": Zero-Knowledge Software Auditing for AI-Enabled Systems
von: Scaramuzza, Filippo, et al.
Veröffentlicht: (2025)

On the Impact of 3D Visualization of Repository Metrics in Software Engineering Education
von: Di Dario, Dario, et al.
Veröffentlicht: (2024)

A Methodological Framework for LLM-Based Mining of Software Repositories
von: De Martino, Vincenzo, et al.
Veröffentlicht: (2025)

Continuous Integration Practices in Machine Learning Projects: The Practitioners` Perspective
von: Bernardo, João Helis, et al.
Veröffentlicht: (2025)

A Framework for Using LLMs for Repository Mining Studies in Empirical Software Engineering
von: de Martino, Vincenzo, et al.
Veröffentlicht: (2024)

IaC Generation with LLMs: An Error Taxonomy and A Study on Configuration Knowledge Injection
von: Nekrasov, Roman, et al.
Veröffentlicht: (2025)

Reformulating Regression Test Suite Optimization using Quantum Annealing -- an Empirical Study
von: Trovato, Antonio, et al.
Veröffentlicht: (2024)

Architectural Design Decisions for Self-Serve Data Platforms in Data Meshes
von: van Eijk, Tom, et al.
Veröffentlicht: (2024)

Chaos Engineering in the Wild: Findings from GitHub
von: Owotogbe, Joshua, et al.
Veröffentlicht: (2025)

Towards Transparent and Accurate Diabetes Prediction Using Machine Learning and Explainable Artificial Intelligence
von: Khokhar, Pir Bakhsh, et al.
Veröffentlicht: (2025)

Data Preparation for Fairness-Performance Trade-Offs: A Practitioner-Friendly Alternative?
von: Voria, Gianmario, et al.
Veröffentlicht: (2024)

Naming the Pain in Machine Learning-Enabled Systems Engineering
von: Kalinowski, Marcos, et al.
Veröffentlicht: (2024)

An Exploration Study on Developing Blockchain Systems the Practitioners Perspective
von: Aljedaani, Bakheet, et al.
Veröffentlicht: (2024)

Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems
von: Romao, Lucas, et al.
Veröffentlicht: (2026)

Define-ML: An Approach to Ideate Machine Learning-Enabled Systems
von: Alonso, Silvio, et al.
Veröffentlicht: (2025)

On the Interaction between Software Engineers and Data Scientists when building Machine Learning-Enabled Systems
von: Busquim, Gabriel, et al.
Veröffentlicht: (2024)

Towards Effective Collaboration between Software Engineers and Data Scientists developing Machine Learning-Enabled Systems
von: Busquim, Gabriel, et al.
Veröffentlicht: (2024)

Chaos Engineering: A Multi-Vocal Literature Review
von: Owotogbe, Joshua, et al.
Veröffentlicht: (2024)

Sustainable Machine Learning Retraining: Optimizing Energy Efficiency Without Compromising Accuracy
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2025)

Understanding Feedback Mechanisms in Machine Learning Jupyter Notebooks
von: Shome, Arumoy, et al.
Veröffentlicht: (2024)

Why do Machine Learning Notebooks Crash? An Empirical Study on Public Python Jupyter Notebooks
von: Wang, Yiran, et al.
Veröffentlicht: (2024)

Microservice Architecture Patterns for Scalable Machine Learning Systems
von: Karanam, Sowjanya, et al.
Veröffentlicht: (2026)

A Multivocal Literature Review on the Benefits and Limitations of Automated Machine Learning Tools
von: Azevedo, Kelly, et al.
Veröffentlicht: (2024)

Towards Automatic Translation of Machine Learning Visual Insights to Analytical Assertions
von: Shome, Arumoy, et al.
Veröffentlicht: (2024)

From Challenge to Change: Design Principles for AI Transformations
von: Tavantzis, Theocharis, et al.
Veröffentlicht: (2025)