The management of artificial intelligence systems through their lifecycle : a systematic literature review
Honkonen, Jesse (2021-08-13)
The management of artificial intelligence systems through their lifecycle : a systematic literature review
(13.08.2021)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2021092347024
https://urn.fi/URN:NBN:fi-fe2021092347024
Tiivistelmä
Artificial intelligence (AI) is one of the fastest growing fields in IT. It has been described as a megatrend that will shape the future. AI system lifecycle can be managed with different lifecycle management models. However, research on AI and its lifecycle management models is still scarce and yet to be systematized. The goal of this study is to fulfil the research gap related to the best practices in the management of AI lifecycle.
A systematic literature review was performed, following the PRISMA method. The search process was performed in two databases. 1465 studies were found directly and 1007 through backward chaining. 38 studies were included in the review out of a total of 2472 studies.
The results found that AI lifecycle is managed with four lifecycle models: plan-driven SDLC, agile, MDE and PLM models. System refinement, requirements definition and interoperability were found as the most important parts of the AI lifecycle that need to be focused on. Other important factors in the AI lifecycle management are directing the development process to a more test-driven nature and reusing existing algorithms and data sets. Reliability, security and ethics should also be concerned. Increasing interoperability between different AI developers, procedures and applications was found as the most important future work agenda in the studies. Implementing AI systems to real-life situations was found as the second most important future work agenda. Tekoäly on yksi nopeimmin kasvavista tietotekniikan aloista. Sitä on myös kuvattu megatrendinä, joka muokkaa tulevaisuutta. Tekoälyjärjestelmiä voidaan hallita erilaisilla elinkaarimalleilla. Tutkimus tekoälyn ja elinkaarimallien välillä on kuitenkin niukkaa eikä sitä ole systematisoitu. Tutkimuksen tavoitteena on täyttää tutkimusaukko, joka liittyy tekoälyn elinkaaren hallinnan parhaisiin käytäntöihin.
Tutkimus toteutettiin systemaattisena kirjallisuuskatsauksena, PRISMA metodin mukaisesti. Hakuprosessi suoritettiin kahdessa tietokannassa, joiden perusteella löydettiin 1465 tutkimusta. Tämän lisäksi 1007 tutkimusta löydettiin ”backward chaining” -menetelmällä.
Kirjallisuuskatsaukseen hyväksyttiin mukaan 38 tutkimusta 2472 tutkimuksen joukosta. Tulokset osoittavat, että tekoälyä hallitaan neljällä elinkaarimallilla. Järjestelmän parannus ja päivitys, vaatimusten määrittely ja yhteensopivuus ovat elinkaaren tärkeimmät osat, joihin tulisi keskittyä. Muita tärkeitä asioita tekoälyn elinkaarin hallinnassa ovat kehitysprosessin ohjaaminen testausjohtoiseen ympäristöön sekä olemassa olevien algoritmien ja tietojoukkojen uudelleenkäyttäminen.
Yhteensopivuuden lisääminen tekoälyn kehittäjien, menetelmätapojen ja sovellusten välillä on tärkein tulevan tutkimuksen suuntaus, joka tutkimuksissa havaittiin. Tekoälyjärjestelmien implementointi tosielämän tilanteisiin on toiseksi tärkein tulevan tutkimuksen suuntaus.
A systematic literature review was performed, following the PRISMA method. The search process was performed in two databases. 1465 studies were found directly and 1007 through backward chaining. 38 studies were included in the review out of a total of 2472 studies.
The results found that AI lifecycle is managed with four lifecycle models: plan-driven SDLC, agile, MDE and PLM models. System refinement, requirements definition and interoperability were found as the most important parts of the AI lifecycle that need to be focused on. Other important factors in the AI lifecycle management are directing the development process to a more test-driven nature and reusing existing algorithms and data sets. Reliability, security and ethics should also be concerned. Increasing interoperability between different AI developers, procedures and applications was found as the most important future work agenda in the studies. Implementing AI systems to real-life situations was found as the second most important future work agenda.
Tutkimus toteutettiin systemaattisena kirjallisuuskatsauksena, PRISMA metodin mukaisesti. Hakuprosessi suoritettiin kahdessa tietokannassa, joiden perusteella löydettiin 1465 tutkimusta. Tämän lisäksi 1007 tutkimusta löydettiin ”backward chaining” -menetelmällä.
Kirjallisuuskatsaukseen hyväksyttiin mukaan 38 tutkimusta 2472 tutkimuksen joukosta. Tulokset osoittavat, että tekoälyä hallitaan neljällä elinkaarimallilla. Järjestelmän parannus ja päivitys, vaatimusten määrittely ja yhteensopivuus ovat elinkaaren tärkeimmät osat, joihin tulisi keskittyä. Muita tärkeitä asioita tekoälyn elinkaarin hallinnassa ovat kehitysprosessin ohjaaminen testausjohtoiseen ympäristöön sekä olemassa olevien algoritmien ja tietojoukkojen uudelleenkäyttäminen.
Yhteensopivuuden lisääminen tekoälyn kehittäjien, menetelmätapojen ja sovellusten välillä on tärkein tulevan tutkimuksen suuntaus, joka tutkimuksissa havaittiin. Tekoälyjärjestelmien implementointi tosielämän tilanteisiin on toiseksi tärkein tulevan tutkimuksen suuntaus.