| 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

| 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

| 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

| 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