Inside The Tech - Løsning til personalisering på Roblox - Roblox Blog

Genudgivet af Platon

Abonnenter: 0

Inde i Tech er en blogserie, der går hånd i hånd med vores Tech Talks Podcast. Her dykker vi længere ned i de vigtigste tekniske udfordringer, vi tackler, og deler de unikke tilgange, vi tager for at gøre det. I denne udgave af Inde i Tech, talte vi med Senior Engineering Manager Michelle Gong for at lære mere om, hvordan Personalization-teamets arbejde hjælper Roblox-brugere med at finde oplevelser, de vil elske.

Hvilke tekniske udfordringer løser du?

Vores team – Personalization, som er i Growth-gruppen – er ansvarlig for at give vores brugere personlige og relevante anbefalinger. Vi ønsker at give folk mulighed for at finde indhold, de vil elske, fremme langsigtet engagement på Roblox og forbinde oplevelser med de mennesker, der er rigtige for dem.

I dag har vi 66 millioner daglige aktive brugere, men det antal stiger med ca. 20 % hvert år, og det betyder, at der kommer flere og flere data ind. Så en stor teknisk udfordring er at fastholde reaktionsevne i realtid og sørge for, at personlige anbefalinger ikke er tilgængelige. Det kræver ikke lange ventetider, alt sammen uden at øge serveringsomkostningerne. Faktisk er det en af grundene til, at vi fuldstændig genopbyggede vores backend-infrastruktur sidste år.

Efterhånden som vi vokser, spørger vi os selv, hvordan vi kan forbedre brugeroplevelsen uden behov for en masse ekstra computerkraft. Vi tror, at maskinlæring kunne være en del af svaret, men vi har set, at ML-løsninger kan bruge flere computerressourcer – hvilket øger omkostningerne – efterhånden som datamodellerne bliver større. Det er ikke skalerbart for os, så vi arbejder på at forbedre søgning og rangering i realtid uden at pådrage os disse ekstra omkostninger.

Hvad er nogle af de innovative løsninger, vi bygger for at løse disse tekniske udfordringer?

Vi er ved at opbygge et anbefalingssystem for at hjælpe folk med hurtigt at finde det indhold, der er mest relevant for dem. For at gøre det lærer vi, hvordan man anvender de mest avancerede ML-teknologier på problemet. For eksempel har vi inkorporeret selvovervåget læring, avancerede arkitekturer og teknikker fra store sprogmodeller (LLM'er) og kontrafaktisk evaluering i disse systemer.

Der er mange avancerede fortrænede LLM'er, men vi kan ikke bruge dem direkte, fordi de medfører høje serveringsomkostninger. I stedet træner vi vores egne modeller ved hjælp af teknikker, der ofte bruges til at bygge LLM'er. Et eksempel er sekvensmodellering, da både sprog- og Roblox-brugerafspilningshistorik er sekvenser. Vi ønsker at forstå, hvilken del af en brugers spillehistorie, der kan forudsige deres nuværende og fremtidige interesser og præferencer. Denne model hjælper os med det.

Samtidig bliver selvovervåget repræsentationslæring nu meget brugt i computersyn og naturlig sprogforståelse, og vi anvender denne teknik på vores anbefalingssystemer.

Hvad er de vigtigste læringer ved at udføre dette tekniske arbejde?

Roblox' mål er at forbinde en milliard brugere, og for at gøre det er vi nødt til at identificere løsninger, der balancerer nytte og omkostninger. Når vi gør dette effektivt, er vi i stand til at investere mere i vores samfund.

For eksempel besluttede vi at investere i vores egne datacentre, og det væddemål giver pote. Det største, vi har lært, er, at når vi har ressourcerne og evnen til at gøre noget selv, er det mere effektivt at skabe noget specialbygget end at betale for tredjepartsteknologi. Ved at bygge vores platforme og vores modeller fra bunden, er vi i stand til at forfølge innovative løsninger, der er optimeret til vores forretning og vores ressourcebegrænsninger og krav.

Hvilken Roblox-værdi tror du passer bedst til, hvordan du og dit team tackler tekniske udfordringer?

Respekter fællesskabet. Vi bekymrer os dybt om vores skabere og vores udviklere. Deres meninger betyder virkelig noget. Vi tager feedback fra udviklere meget alvorligt. Jeg bruger meget tid på at besvare udviklerspørgsmål direkte i samarbejde med vores Developer Relations Team. At tage sig tid til at forstå deres feedback og se, hvordan vi kan forbedre vores platform for dem, har hjulpet os med at sikre, at vi også fokuserer på de rigtige ting.

Jeg vil også sige, tag det lange blik. Jeg sluttede mig til Roblox, fordi jeg virkelig tror på Daves vision om at tage det lange perspektiv. Faktisk undgår vi i vores daglige arbejde at bygge kortsigtede hacky-løsninger. I stedet lægger vi vægt på at bygge principielle, pålidelige og skalerbare løsninger, fordi vi bygger til fremtiden.

Hvad ophidser dig mest ved, hvor Roblox og dit team er på vej hen?

Vi har så mange unikke udfordringer. At bygge anbefalingssystemer som en tosidet markedsplads og for langsigtet brugerfastholdelse er en enorm mulighed for vækst. Men vi tænker også på ting som visuel forståelse og tekstforståelse til brugssituationer som anbefalinger, søgning, tillid og sikkerhed osv.

Desuden er vi struktureret på en måde, så vi kan bevæge os rigtig hurtigt og være meget effektive. Hvert teammedlem er ekstremt drevet og begejstret for de udfordringer, vi har. Hvis dette lyder som noget, du er interesseret i, har vi en plads til dig.

Hvis disse lyder som de udfordringer og muligheder, du ønsker at tage på dig, så tjek vores ledige roller roblox.com/careers.