An Empirical Study of the Causes and Symptoms of Machine Learning Exceptions

L’apprentissage machine (ML), y compris l’apprentissage profond, a récemment gagné en popularité dans un large éventail d’applications. Toutefois, comme les logiciels traditionnels, les applications d’apprentissage automatique ne sont pas à l’abri des bogues résultant d’erreurs de programmation. Les défaillances programmatiques se manifestent généralement par des exceptions au cours de l’exécution du programme. Comprendre les causes et les symptômes des exceptions de ML peut offrir aux développeurs des informations précieuses pour améliorer leurs pratiques de programmation et prévenir de telles exceptions. Cette thèse vise à ouvrir la voie à de futures recherches axées sur le développement de solutions pour aider les développeurs de ML à prévenir ou à réduire les exceptions. Malgré des études antérieures portant sur les exceptions dans les logiciels traditionnels, il n’y a pas d’exploration systématique des exceptions en ML dans la littérature existante. Par conséquent, cette thèse mène une étude empirique complète des questions de Stack Overflow (SO) liées aux exceptions de ML, cherchant à comprendre les causes et les symptômes associés à ces exceptions. La première partie de cette thèse explore les causes des exceptions de ML en analysant les traces de pile des applications de ML postées sur SO. Ces traces de pile décrivent la chaîne d’appels de fonction qui conduit à une situation anormale ou à une exception. En effet, ces exceptions peuvent traverser toute la pile logicielle (y compris les applications et les bibliothèques). Ainsi, l’étude des modèles liés au ML dans les traces de pile peut aider les praticiens et les chercheurs à comprendre les causes des exceptions dans les applications de ML et les défis auxquels sont confrontés les développeurs de ML. A cette fin, nous exploitons SO et étudions 11, 449 les traces de piles liées à la ML de sept bibliothèques ML Python populaires. Tout d’abord, nous observons que les questions de ML qui contiennent des traces de pile sont moins susceptibles d’obtenir des réponses acceptées que les questions qui n’en contiennent pas, même si elles reçoivent plus d’attention (c.-à-d. plus de vues et de commentaires).