| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | 使用者特徵自動預測 | 使用者人格預測 | User Persona | Naver | K8s | ML

【Line AI生產力關鍵3:新一代使用者特徵自動預測系統】導入GPU和K8s叢集,靠ML大規模自動預測使用者特徵資料

未來光是日本用戶規模將達到3億人,如何讓使用者人格系統的屬性預測能力更強,Line去年夏天導入了GPU和K8s叢集,重新改造了這套系統

2021-11-22

| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | MLOps | Lupus

【Line AI生產力關鍵2:ML品質監控自動化】自建MLOps監控平臺,上百項ML產品模型漂移能即時調校

Line高度仰賴AI,光是內部就有100多個ML模型上線,橫跨20多個單位。為快速統一掌握模型動態,Line自建一套MLOps監測工具Lupus,來收集模型指標、偵測異常

2021-11-22

| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | HyperCLOVA | 語言模型 | 語料庫

【Line AI生產力關鍵1:通用NLP模型】以HyperCLOVA發展企業NLP服務,下一步搶攻通用AI

Line揭露一款820億個參數的大型語言模型HyperCLOVA,並以此為核心引擎發展一系列企業AI工具,接下來還要結合電腦視覺,打造更通用的AI產品

2021-11-22

| NLP | 生態圈 | HyperCLOVA | 朴懿彬 | 機器學習 | AI | MLOps | 使用者特徵自動預測 | 使用者人格預測 | User Persona | Naver | 日本Yahoo | 整併 | 封面故事 | Lupus | AI生產力

因應整併後3億日本用戶規模新考驗,Line從3大技術關鍵來強化AI生產力

今年3月,日本Line和日本Yahoo整併後,光是日本用戶規模就達到3億人,作為未來主要用戶服務核心的Line,如何因應用戶數暴增挑戰,繼續邁向AI公司轉型之路?關鍵是這3件事

2021-11-22