面向人机协同 MLOps 的对话式人工智能研究
Towards Conversational AI for Human-Machine Collaborative MLOps
AI总结：
本文提出基于大语言模型的 Swarm Agent 对话式智能体系统，通过集成 KFP、MinIO 和 RAG 智能体，以自然语言交互降低 Kubeflow 等 MLOps 平台的使用门槛，提升人机协作效率。
摘要：
本文提出了一种基于大语言模型（LLM）的对话式智能体系统，旨在增强机器学习运维（MLOps）中的人机协作。我们引入了 Swarm Agent，这是一种可扩展架构，通过自然语言交互集成专用智能体来创建和管理机器学习工作流。该系统采用分层、模块化设计，集成了用于机器学习流水线编排的 KubeFlow Pipelines（KFP）智能体、用于数据管理的 MinIO 智能体，以及用于领域特定知识集成的检索增强生成（RAG）智能体。通过迭代推理循环和上下文感知处理，该系统使具有不同技术背景的用户能够发现、执行和监控机器学习流水线；管理数据集和工件；并访问相关文档，所有这些都通过直观的对话界面完成。我们的方法解决了 Kubeflow 等复杂 MLOps 平台的可访问性差距，使先进的机器学习工具能够被广泛使用，同时保持扩展到其他平台的灵活性。本文描述了该架构、实现细节，并展示了这种对话式 MLOps 助手如何降低复杂性，并为不同技术技能水平的用户降低入门门槛。
英文摘要：
This paper presents a Large Language Model (LLM) based conversational agent system designed to enhance human-machine collaboration in Machine Learning Operations (MLOps). We introduce the Swarm Agent, an extensible architecture that integrates specialized agents to create and manage ML workflows through natural language interactions. The system leverages a hierarchical, modular design incorporating a KubeFlow Pipelines (KFP) Agent for ML pipeline orchestration, a MinIO Agent for data management, and a Retrieval-Augmented Generation (RAG) Agent for domain-specific knowledge integration. Through iterative reasoning loops and context-aware processing, the system enables users with varying technical backgrounds to discover, execute, and monitor ML pipelines; manage datasets and artifacts; and access relevant documentation, all via intuitive conversational interfaces. Our approach addresses the accessibility gap in complex MLOps platforms like Kubeflow, making advanced ML tools broadly accessible while maintaining the flexibility to extend to other platforms. The paper describes the architecture, implementation details, and demonstrates how this conversational MLOps assistant reduces complexity and lowers barriers to entry for users across diverse technical skill levels.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
