noteのMLチームで主にMLOps関係の開発をしている、むっそです。 先日「読者の行動データを用いたnote記事レコメンドのMLパイプラインツアー」という題材でMLパイプラインについてご紹介いたしました。 今回はnoteの読者の行動データを用いたnote記事レコメンドをリファクタリングした話をしたいと思います。 ※前回の記事をまだ読んでいなくても、この記事は読めます! ホーム画面の「あなたへのおすすめ」には、ユーザーがよく読む記事に近いレコメンドがされるAWS環境にてnoteユーザーの行動データを用いたnote記事レコメンド機能を提供しております。 リファクタリング前のAWSアーキテクチャリファクタリング前のAWSアーキテクチャ(左側がnoteリポジトリ/右側がMLリポジトリ)行動データを用いたnote記事レコメンドのリファクタリングする前のアーキテクチャを大まかに分解すると、下記のプロ
例えばこれまでのITビジネスでは、機械を売って初期ドーンと払って、保守費用は別途という売り切りモデルだった。 それがAWSなどの従量課金制になったら、とたんにやることが細かくなってくる。 たとえば機械のCPU何分でいくらとか、メモリ使用率が膨らんだらいくらとか、そういうイメージだ。 そうすると「なんで今月こんなに高いの?」問題がでてくる。 「こんなに高くしたのはちゃんと見張ってないからだ!」と、結局管理の人件費がかかってしまう。 これで喜ぶのはアメリカのクラウド業者だけで、日本のサーバー製造業者は衰退してしまうような気がする。 また、課金の細かい計算管理で、無駄な労務が増え、エンジニアの質が下がる心配もある。 みなさんはどうですか?
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く