【非データサイエンティスト向け】階層ベイズのイメージと使いどころ - LIVESENSE ENGINEER BLOG
ユースケース 例1：企業別の想定提示年収（平均値） 状況 グラフ データ 問題設定 例2：求人別の採用率（比率） 状況 グラフ データ 問題設定 例3：企業別の高評価特徴（回帰モデルの係数・切片） 状況 グラフ データ 問題設定 階層ベイズのイメージ 少しだけ確率分布の話 確率分布には特徴の異なる複数のものがある 確率分布にはその分布を確定させるパラメータがある 少しだけモデル作成の話 階層ベイズの基本的な考え方 例1：企業別の想定提示年収 例2：求人別の採用率 例3：企業別の高評価特徴 階層ベイズの使いどころ 利用用途 パラメータの安定化 全体傾向の正確な推定 使いどころの判断ポイント ポイント1：個体差が比較的大きい ポイント2：1個体あたりのデータ量が少ない(ことがある) ポイント3：個体差に他の既存データから推定し難い情報がある ポイント4：異常値を許容できない 実際の利用場面 求
ChatGPT APIを使うためのWebUI（BetterChatGPT）を社内公開した話 - LIVESENSE ENGINEER BLOG
これは LIVESENSE madeブログ 4月のお題 の参加記事です。 データプラットフォームグループの富士谷です。 ChatGPTのAPIの提供とポリシーの改変から、はや1ヶ月半くらい経ちました。弊社でも、ChatGPT（OpenAI API）を使った機能を開発し、転職会議や面接支援ツールのbatonnで、すでにリリースしています。 転職口コミサイト『転職会議』、ChatGPTのAIを活用した企業口コミの要約情報を提供開始 | 株式会社リブセンス 【業界初】面接最適化クラウド『batonn』、「ChatGPT」のAIを活用した面接内容の要約機能をリリース | 株式会社リブセンス 転職会議については、開発の裏側もブログで公開しています。 made.livesense.co.jp APIを使った機能開発や業務効率化は今後も模索していきたいと考えています。 重要なのは、各々がどのように使える
機械学習基盤をGKE Autopilotに移行してコストを削減した - LIVESENSE ENGINEER BLOG
リブセンスで機械学習基盤の開発・運用をしている赤坂（yyyyskkk）です。 我々のチームでは今年の７月ごろにGKE Standard（以下Standardクラスタ）上に構築していた機械学習基盤をGKE Autopilot（以下Autopilotクラスタ）に移行しました。GKE Autopilotとはノードやポッドを自動で管理してくれるクラスタです（詳しくはGoogleのブログをご覧ください）。この記事ではなぜAutopilotクラスタに移行したのか、移行する上でどんな作業が必要だったかという話を書きます。 なぜAutopilotクラスタに移行したのか 高額なノードが複数立ち上がる問題 system podが原因？ StandardクラスタとAutopilotクラスタの違い 検証 移行に必要だった作業 Argo WorkflowsのExecutorを変更した メモリ不足が発生したためres
1
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
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
