Inside the Tech – Megoldás a személyre szabáshoz a Robloxon – Roblox Blog

Bent a Tech egy blogsorozat, amely kéz a kézben jár velünk Tech Talks podcast. Itt tovább merülünk az általunk megküzdendő kulcsfontosságú technikai kihívásokba, és megosztjuk az ezzel kapcsolatos egyedi megközelítéseinket. Ebben a kiadásban Bent a Tech, beszélgettünk Michelle Gong vezető mérnöki menedzserrel, hogy többet megtudjunk arról, hogyan segíti a személyre szabott csapat munkája a Roblox-felhasználókat olyan élmények megtalálásában, amelyeket szeretni fognak. 

Milyen technikai kihívásokat old meg?

Csapatunk – a Növekedés csoportba tartozó Personalization – felelős azért, hogy felhasználóinknak személyre szabott és releváns ajánlásokat adjon. Szeretnénk lehetővé tenni az emberek számára, hogy megtalálják a számukra tetsző tartalmakat, elősegítsük a hosszú távú elkötelezettséget a Robloxon, és a számukra megfelelő emberekkel hozhassák létre tapasztalataikat. 

Napjainkban 66 millió aktív felhasználónk van, de ez a szám évente körülbelül 20%-kal növekszik, ami azt jelenti, hogy egyre több adat érkezik. Tehát nagy technikai kihívást jelent a valós idejű válaszadás fenntartása és a személyre szabott ajánlások biztosítása. nem igényel hosszú várakozást, mindezt a kiszolgálási költségek növelése nélkül. Valójában ez az egyik oka annak, hogy tavaly teljesen újjáépítettük háttérinfrastruktúránkat.

Ahogy fejlődünk, feltesszük magunknak a kérdést, hogyan javíthatjuk a felhasználói élményt anélkül, hogy további számítási teljesítményre lenne szükség. Úgy gondoljuk, hogy a gépi tanulás része lehet a válasznak, de azt láttuk, hogy az ML-megoldások több számítási erőforrást használhatnak fel – ami növeli a költségeket –, ahogy az adatmodellek egyre nagyobbak lesznek. Ez számunkra nem skálázható, ezért azon dolgozunk, hogy javítsuk a valós idejű keresést és a rangsorolást anélkül, hogy további költségeket kellene fizetniük. 

Melyek azok az innovatív megoldások, amelyeket e technikai kihívások kezelésére építünk?

Ajánlórendszert építünk, hogy az emberek gyorsan megtalálják a számukra legrelevánsabb tartalmat. Ennek érdekében megtanuljuk, hogyan alkalmazzuk a legfejlettebb ML technológiákat a problémára. Például ezekbe a rendszerekbe beépítettük az önfelügyelt tanulást, a nagy nyelvi modellekből (LLM) származó fejlett architektúrákat és technikákat, valamint a tények ellentétes értékelését.

Sok haladó, előképzett LLM létezik, de nem tudjuk közvetlenül használni őket, mert magas kiszolgálási költséggel járnak. Ehelyett saját modelljeinket képezzük olyan technikákkal, amelyeket gyakran alkalmaznak az LLM-ek felépítésére. Az egyik példa a sorozatmodellezés, mivel mind a nyelv, mind a Roblox felhasználói lejátszási előzményei sorozatok. Szeretnénk megérteni, hogy egy felhasználó játéktörténetének mely része tudja előre jelezni jelenlegi és jövőbeli érdeklődését és preferenciáit. Ez a modell segít nekünk ebben.   

Ugyanakkor az önfelügyelt reprezentációs tanulást ma már széles körben használják a számítógépes látás és a természetes nyelv megértésében, és ezt a technikát alkalmazzuk ajánlási rendszereinkben. 

Mik a legfontosabb tanulságok e technikai munka elvégzéséből?

A Roblox célja egymilliárd felhasználó összekapcsolása, ehhez pedig olyan megoldásokat kell azonosítanunk, amelyek egyensúlyban tartják a hasznosságot és a költségeket. Ha ezt hatékonyan tesszük, többet tudunk befektetni közösségünkbe. 

Például úgy döntöttünk, hogy saját adatközpontjainkba fektetünk be, és ez a fogadás kifizetődik. A legnagyobb dolog, amit megtanultunk, az az, hogy amikor megvannak az erőforrásaink és a képességünk, hogy magunk is megcsináljunk valamit, hatékonyabb valami célzottat létrehozni, mint harmadik féltől származó technológiáért fizetni. Platformjaink és modelljeink az alapoktól való megépítésével olyan innovatív megoldásokat tudunk megvalósítani, amelyek optimalizáltak az üzletünkhöz, valamint erőforrás-korlátainkhoz és követelményeinkhez. 

Szerinted melyik Roblox érték illik legjobban ahhoz, ahogyan Ön és csapata megbirkózik a technikai kihívásokkal?

Tiszteld a közösséget. Mélyen törődünk alkotóinkkal és fejlesztőinkkel. A véleményük valóban számít. Nagyon komolyan vesszük a fejlesztői visszajelzéseket. Sok időt töltök azzal, hogy közvetlenül a fejlesztői kapcsolatokkal foglalkozó csapatunkkal együttműködve válaszolok a fejlesztői kérdésekre. Az, hogy időt szakítottunk arra, hogy megértsük visszajelzéseiket, és megnézzük, hogyan fejleszthetjük platformunkat számukra, segített abban, hogy a megfelelő dolgokra összpontosítsunk. 

Azt is mondanám, hogy nézd meg a távlatokat. Azért csatlakoztam a Robloxhoz, mert nagyon hiszek Dave távlati elképzelésében. Valójában a mindennapi munkánk során kerüljük a rövid távú hackel megoldások kidolgozását. Ehelyett az elvi, megbízható és méretezhető megoldások építésére helyezzük a hangsúlyt, mert a jövőre építünk.

Mi izgat a legjobban abban, hogy Roblox és csapata merre tart? 

Nagyon sok egyedi kihívás áll előttünk. Az ajánlórendszerek kétoldalú piactérként és a felhasználók hosszú távú megtartása érdekében történő kiépítése hatalmas növekedési lehetőség. De gondolunk olyan dolgokra is, mint a vizuális megértés és a szövegértés olyan használati esetekben, mint az ajánlások, a keresés, a bizalom és biztonság stb.

Emellett olyan szerkezetűek vagyunk, hogy nagyon gyorsan tudjunk haladni és nagyon hatékonyak legyünk. Minden csapattag rendkívül motivált és izgatott az előttünk álló kihívások miatt. Ha ez olyasvalaminek tűnik, ami érdekli, van egy helyünk az Ön számára. 

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://blog.roblox.com/2023/09/inside-the-tech-solving-for-personalization/