![](https://cdn-ak-scissors.b.st-hatena.com/image/square/011be6c21d5efb919854279e1e9b10d0b040947e/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fcndt2019-190722032458-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
Argoによる機械学習実行基盤の構築・運用からみえてきたこと
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
Argoによる機械学習実行基盤の構築・運用からみえてきたこと
機械学習は大量のリソースを必要とするためマネージドな環境をスケーラブルに使えることが重要です.ま... 機械学習は大量のリソースを必要とするためマネージドな環境をスケーラブルに使えることが重要です.また,機械学習システムは専門性が高く属人化してしまうことも事実です.これらの課題を解決するためにリクルートテクノロジーズではArgoワークフローを導入し,属人化や環境依存性が高いといった問題に取り組んでいます.Argoはコンテナベースのワークフローエンジンで,ワークフローの各ステップをコンテナとして実装することを可能にします.また, 弊社ではArgoプロジェクトに含まれるArgoCDと組み合わせることで,CI/CD パイプラインを構築し,GitOps を実現しています.Argo Workflowsによる機械学習実行基盤を運用していく上で見えてきた,使用者側の視点・運用する側の視点両方からの知見を共有します! [1C1] 13:20 - 14:00 河野 晋策 (Shinsaku Kono) / 機