Inside The Tech - Løsning for personalisering på Roblox - Roblox-blogg

Publisert av Platon

Følgere: 0

Inne i teknologien er en bloggserie som går hånd i hånd med vår Tech Talks Podcast. Her dykker vi videre inn i viktige tekniske utfordringer vi takler og deler de unike tilnærmingene vi tar for å gjøre det. I denne utgaven av Inne i teknologien, snakket vi med Senior Engineering Manager Michelle Gong for å lære mer om hvordan personaliseringsteamets arbeid hjelper Roblox-brukere med å finne opplevelser de vil elske.

Hvilke tekniske utfordringer løser du for?

Teamet vårt – Personalization, som er i Growth-gruppen – er ansvarlig for å gi brukerne våre personlige og relevante anbefalinger. Vi ønsker å gi folk mulighet til å finne innhold de vil elske, fremme langsiktig engasjement på Roblox og koble opplevelser med menneskene som passer for dem.

I dag har vi 66 millioner daglige aktive brukere, men dette tallet øker med ca. 20 % hvert år, og det betyr at mer og mer data kommer inn. Så en stor teknisk utfordring er å opprettholde respons i sanntid og sørge for at personlig tilpassede anbefalinger kommer inn. krever ikke lange ventetider, alt uten å øke serveringskostnadene. Det er faktisk en av grunnene til at vi fullstendig ombygde backend-infrastrukturen vår i fjor.

Etter hvert som vi vokser, spør vi oss selv hvordan vi kan forbedre brukeropplevelsen uten behov for mye ekstra datakraft. Vi tror maskinlæring kan være en del av svaret, men vi har sett at ML-løsninger kan bruke flere dataressurser – noe som øker kostnadene – etter hvert som datamodellene blir større. Det er ikke skalerbart for oss, så vi jobber med å forbedre sanntidssøk og rangering uten å pådra oss disse ekstra kostnadene.

Hva er noen av de innovative løsningene vi bygger for å møte disse tekniske utfordringene?

Vi bygger et anbefalingssystem for å hjelpe folk raskt å finne innholdet som er mest relevant for dem. For å gjøre det lærer vi hvordan vi bruker de mest avanserte ML-teknologiene på problemet. For eksempel har vi inkorporert selvstyrt læring, avanserte arkitekturer og teknikker fra store språkmodeller (LLMs), og kontrafaktisk evaluering i disse systemene.

Det er mange avanserte forhåndstrente LLM-er, men vi kan ikke bruke dem direkte fordi de medfører høye serveringskostnader. I stedet trener vi våre egne modeller ved å bruke teknikker som ofte brukes for å bygge LLM-er. Et eksempel er sekvensmodellering, siden både språk og Roblox-brukerspillhistorikk er sekvenser. Vi ønsker å forstå hvilken del av en brukers spillehistorie som kan forutsi deres nåværende og fremtidige interesser og preferanser. Denne modellen hjelper oss å gjøre det.

Samtidig blir selvovervåket representasjonslæring nå mye brukt i datasyn og naturlig språkforståelse, og vi bruker denne teknikken på våre anbefalingssystemer.

Hva er den viktigste læringen ved å gjøre dette tekniske arbeidet?

Roblox sitt mål er å koble sammen en milliard brukere, og for å gjøre det må vi identifisere løsninger som balanserer nytte og kostnad. Når vi gjør dette effektivt, kan vi investere mer i samfunnet vårt.

For eksempel bestemte vi oss for å investere i våre egne datasentre, og den innsatsen gir resultater. Det største vi lærte er at når vi har ressursene og evnen til å gjøre noe selv, er det mer effektivt å lage noe spesialbygd enn å betale for tredjepartsteknologi. Ved å bygge våre plattformer og våre modeller fra grunnen av, er vi i stand til å forfølge innovative løsninger som er optimalisert for vår virksomhet og våre ressursbegrensninger og krav.

Hvilken Roblox-verdi tror du stemmer best med hvordan du og teamet ditt takler tekniske utfordringer?

Respekter fellesskapet. Vi bryr oss dypt om skaperne og utviklerne våre. Deres meninger betyr virkelig noe. Vi tar tilbakemeldinger fra utviklere svært alvorlig. Jeg bruker mye tid på å svare på utviklerspørsmål direkte i samarbeid med vårt Developer Relations Team. Å ta seg tid til å forstå tilbakemeldingene deres og se hvordan vi kan forbedre plattformen vår for dem, har hjulpet oss med å sikre at vi også fokuserer på de riktige tingene.

Jeg vil også si ta det lange perspektivet. Jeg ble med Roblox fordi jeg virkelig tror på Daves visjon om å ta det lange perspektivet. Faktisk unngår vi i vårt daglige arbeid å bygge kortsiktige hacky-løsninger. I stedet legger vi vekt på å bygge prinsipielle, pålitelige og skalerbare løsninger fordi vi bygger for fremtiden.

Hva begeistrer deg mest om hvor Roblox og teamet ditt er på vei?

Vi har så mange unike utfordringer. Å bygge anbefalingssystemer som en tosidig markedsplass og for langsiktig oppbevaring av brukere, er en enorm mulighet for vekst. Men vi tenker også på ting som visuell forståelse og tekstforståelse for brukstilfeller som anbefalinger, søk, tillit og sikkerhet, etc.

Dessuten er vi strukturert på en måte som gjør at vi kan bevege oss veldig raskt og være veldig effektive. Hvert teammedlem er ekstremt drevet og begeistret for utfordringene vi har. Hvis dette høres ut som noe du er interessert i, har vi en plass for deg.

Hvis disse høres ut som utfordringene og mulighetene du ønsker å ta på deg, sjekk ut våre tilgjengelige roller roblox.com/careers.