説明
技術的負債は、より優れているがより複雑なソリューションではなく、簡単または迅速なソリューションを選択することによって発生する追加作業ややり直しの暗黙のコストを説明する比喩です。要件の変化、古いコード、不十分なドキュメント、テストの欠如など、さまざまな要因により、ML システムに技術的負債が蓄積する可能性があります。ML システムの技術的負債を軽減する方法には、次のようなものがあります。
ドキュメントの可読性: ドキュメントの可読性とは、ML システムのドキュメントの理解と使用のしやすさを指します。ドキュメントの読みやすさは、システムの設計、機能、パフォーマンス、メンテナンスに関する明確で一貫した情報を提供することにより、技術的負債を軽減するのに役立ちます。ドキュメントの読みやすさにより、開発者、テスター、ユーザー、マネージャーなど、さまざまな関係者間のコミュニケーションやコラボレーションも促進されます。
リファクタリング: リファクタリングは、コードの機能を変更せずにコードの構造と品質を改善するプロセスです。リファクタリングは、重複、複雑さ、不一致などのコードの匂いを排除することで、技術的負債を軽減するのに役立ちます。リファクタリングにより、コードの可読性、保守性、拡張性も向上します。

説明
独立性とは、モデルの誤差 (残差) が互いに独立していることを示す線形回帰の仮定です。これは、誤差が前後の誤差に相関したり影響されたりしないことを意味します。
データにシリアル相関または自己相関がある場合、つまり、特定の時点での変数の値が以前の値または将来の値に依存することを意味する場合、独立性が損なわれる可能性があります。これは、データが時間の経過 (時系列) または空間 (空間データ) にわたって収集される場合に発生する可能性があります。この場合、データは被験者のグループから時間をかけて収集されるため、誤差間に連続相関が生じる可能性があります。

説明
レイテンシは、リクエストとレスポンスの間の時間遅延です。遅延は、特にリアルタイムまたはほぼリアルタイムの応答が必要な場合、アプリケーションのパフォーマンスとユーザー エクスペリエンスに影響を与える可能性があります。ディープ ラーニング モデルをエッジ デバイス上の組み込みモデルとしてデプロイすると、モデルがネットワーク接続やクラウド サーバーに依存せずにデバイス上でローカルに実行できるため、遅延を短縮できます。エッジ デバイスは、スマートフォン、タブレット、ラップトップ、センサー、カメラ、ドローンなど、ネットワークのエッジに配置されるデバイスです。

説明
敵対的攻撃とは、人間には知覚できないものの、モデルの出力に重大な変化を引き起こす可能性のある小さな摂動を入力データに追加することによって、機械学習モデルを騙したり操作しようとする悪意のある試みです。一般に、タスクをより正確に実行するモデルは、予測の信頼性が高く、入力データの小さな変化に敏感になる傾向があるため、敵対的な攻撃に対する堅牢性が低くなります。参考文献: [敵対的機械学習 - Wikipedia]、[なぜ機械学習モデルは敵対的攻撃を受けやすいのか? | アニルダ・ジェイン著 | データサイエンスに向けて】

説明
正規化は、k 最近傍アルゴリズムを使用するときに、フィーチャのスケールが異なるという問題を解決するのに役立つ方法です。正規化は、特徴の値を [0, 1] や [-1, 1] などの共通の範囲に再スケールする手法です。正規化は、アルゴリズムの精度とパフォーマンスを向上させるだけでなく、一部の機能の他の機能に対する影響や優位性を軽減するのに役立ちます2。