Inside the Tech – حل برای شخصی سازی در Roblox – وبلاگ Roblox

داخل فناوری یک سری وبلاگ است که با ما همراه است پادکست Tech Talks. در اینجا، ما بیشتر به چالش‌های فنی کلیدی که در حال مقابله با آن هستیم شیرجه می‌زنیم و رویکردهای منحصربه‌فردی را که برای انجام آن در پیش گرفته‌ایم به اشتراک می‌گذاریم. در این نسخه از داخل فناوری، با مدیر ارشد مهندسی میشل گونگ صحبت کردیم تا درباره اینکه چگونه کار تیم شخصی سازی به کاربران Roblox کمک می کند تا تجربیاتی را که دوست دارند پیدا کنند بیشتر بدانیم. 

برای چه چالش های فنی حل می کنید؟

تیم ما - شخصی سازی که در گروه رشد قرار دارد - مسئول ارائه توصیه های شخصی و مرتبط به کاربران است. ما می‌خواهیم به افراد قدرت دهیم تا محتوای مورد علاقه خود را بیابند، تعامل طولانی‌مدت را در Roblox تقویت کنیم، و تجربیات خود را با افرادی که برای آنها مناسب است ارتباط برقرار کنند. 

امروز، ما روزانه 66 میلیون کاربر فعال داریم، اما این تعداد هر سال حدود 20 درصد افزایش می‌یابد، و این بدان معناست که داده‌های بیشتری وارد می‌شود. بنابراین، یک چالش فنی بزرگ حفظ پاسخگویی در زمان واقعی و اطمینان از عدم انجام توصیه‌های شخصی‌شده است. به انتظارهای طولانی نیاز ندارد، همه بدون افزایش هزینه های خدمات. در واقع، این یکی از دلایلی است که ما سال گذشته زیرساخت‌های پشتیبان خود را به طور کامل بازسازی کردیم.

همانطور که رشد می‌کنیم، از خود می‌پرسیم که چگونه می‌توانیم تجربه کاربر را بدون نیاز به نیروی محاسباتی زیاد بهبود بخشیم. ما فکر می‌کنیم یادگیری ماشین می‌تواند بخشی از پاسخ باشد، اما دیدیم که راه‌حل‌های ML می‌توانند از منابع محاسباتی بیشتری استفاده کنند - که هزینه‌ها را افزایش می‌دهد - با بزرگ‌تر شدن مدل‌های داده. این برای ما مقیاس‌پذیر نیست، بنابراین ما در تلاش هستیم تا جستجو و رتبه‌بندی بلادرنگ را بدون متحمل شدن هزینه‌های اضافی بهبود دهیم. 

برخی از راه حل های نوآورانه ای که برای مقابله با این چالش های فنی ایجاد می کنیم چیست؟

ما در حال ساختن یک سیستم توصیه‌کننده هستیم تا به افراد کمک کنیم محتوایی را که بیشترین ارتباط را با آنها دارند به سرعت کشف کنند. برای انجام این کار، ما یاد می گیریم که چگونه پیشرفته ترین فناوری های ML را برای مشکل اعمال کنیم. به عنوان مثال، ما یادگیری خود نظارت، معماری ها و تکنیک های پیشرفته از مدل های زبان بزرگ (LLM) و ارزیابی خلاف واقع را در این سیستم ها گنجانده ایم.

بسیاری از LLM های پیشرفته از قبل آموزش دیده وجود دارد، اما ما نمی توانیم مستقیماً از آنها استفاده کنیم زیرا هزینه های سرویس دهی بالایی دارند. در عوض، ما مدل‌های خود را با استفاده از تکنیک‌هایی که اغلب برای ساختن LLM به کار می‌روند آموزش می‌دهیم. یک مثال، مدل‌سازی توالی است، زیرا هم زبان و هم تاریخچه بازی کاربر Roblox توالی هستند. ما می‌خواهیم بفهمیم کدام بخش از تاریخچه بازی کاربر می‌تواند علایق و ترجیحات فعلی و آینده او را پیش‌بینی کند. این مدل به ما در انجام این کار کمک می کند.   

در عین حال، یادگیری بازنمایی خود نظارتی در حال حاضر به طور گسترده در بینایی کامپیوتر و درک زبان طبیعی استفاده می شود، و ما از این تکنیک در سیستم های توصیه خود استفاده می کنیم. 

آموخته های کلیدی از انجام این کار فنی چیست؟

هدف Roblox این است که یک میلیارد کاربر را به هم متصل کند و برای انجام این کار، ما باید راه حل هایی را شناسایی کنیم که بین ابزار و هزینه تعادل ایجاد کنند. وقتی این کار را به طور موثر انجام دهیم، می‌توانیم بیشتر در جامعه خود سرمایه‌گذاری کنیم. 

به عنوان مثال، ما تصمیم گرفتیم در مراکز داده خودمان سرمایه گذاری کنیم و این شرط بندی نتیجه می دهد. بزرگترین چیزی که آموختیم این است که وقتی منابع و توانایی انجام کاری را خودمان داریم، ساختن چیزی که هدفمند است کارآمدتر از پرداخت هزینه برای فناوری شخص ثالث است. با ساختن پلتفرم‌ها و مدل‌های خود از پایه، می‌توانیم راه‌حل‌های نوآورانه‌ای را دنبال کنیم که برای کسب‌وکار ما و محدودیت‌ها و نیازهای منابع ما بهینه شده‌اند. 

به نظر شما کدام ارزش Roblox با نحوه برخورد شما و تیمتان با چالش های فنی مطابقت دارد؟

به جامعه احترام بگذارید. ما عمیقاً به سازندگان و توسعه دهندگان خود اهمیت می دهیم. نظرات آنها واقعاً مهم است. ما بازخورد توسعه دهندگان را بسیار جدی می گیریم. من زمان زیادی را صرف پاسخگویی مستقیم به سوالات برنامه‌نویس با همکاری تیم روابط توسعه‌دهنده خود می‌کنم. وقت گذاشتن برای درک بازخورد آن‌ها و دیدن اینکه چگونه می‌توانیم پلتفرم خود را برای آنها بهبود ببخشیم، به ما کمک کرده است تا مطمئن شویم که روی چیزهای درست نیز تمرکز می‌کنیم. 

همچنین می‌توانم بگویم نمای طولانی را در نظر بگیرید. من به Roblox ملحق شدم زیرا واقعاً به دیدگاه دیو برای گرفتن دیدگاه طولانی اعتقاد دارم. در واقع، در کار روزمره خود، از ساخت راه حل های هک کوتاه مدت اجتناب می کنیم. در عوض، ما بر ساخت راه‌حل‌های اصولی، قابل اعتماد و مقیاس‌پذیر تأکید می‌کنیم زیرا در حال ساختن برای آینده هستیم.

چه چیزی شما را بیشتر در مورد جایی که Roblox و تیم شما هدایت می کند هیجان زده می کند؟ 

ما چالش های منحصر به فرد زیادی داریم. ساخت سیستم های توصیه گر به عنوان یک بازار دو طرفه و برای حفظ طولانی مدت کاربر، فرصتی بزرگ برای رشد است. اما ما همچنین به چیزهایی مانند درک بصری و درک متن برای موارد استفاده مانند توصیه‌ها، جستجو، اعتماد و ایمنی و غیره فکر می‌کنیم.

همچنین، ساختار ما به گونه ای است که می توانیم واقعا سریع حرکت کنیم و بسیار کارآمد باشیم. هر یک از اعضای تیم به شدت در مورد چالش هایی که ما داریم هیجان زده و هیجان زده هستند. اگر به نظر شما چیزی است که به آن علاقه دارید، ما یک مکان برای شما داریم. 

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://blog.roblox.com/2023/09/inside-the-tech-solving-for-personalization/