Inside The Tech - Lösa för personalisering på Roblox - Roblox-blogg

Återutgiven av Platon

anhängare: 0

Inuti tekniken är en bloggserie som går hand i hand med vår Tech Talks Podcast. Här dyker vi vidare in i viktiga tekniska utmaningar vi tacklar och delar de unika tillvägagångssätten vi använder för att göra det. I denna upplaga av Inuti tekniken, pratade vi med Senior Engineering Manager Michelle Gong för att lära sig mer om hur personaliseringsteamets arbete hjälper Roblox-användare att hitta upplevelser de kommer att älska.

Vilka tekniska utmaningar löser du?

Vårt team – Personalization, som ingår i Growth-gruppen – ansvarar för att ge våra användare personliga och relevanta rekommendationer. Vi vill ge människor möjlighet att hitta innehåll de kommer att älska, främja långsiktigt engagemang på Roblox och koppla upplevelser med de personer som är rätt för dem.

Idag har vi 66 miljoner dagliga aktiva användare, men den siffran ökar med cirka 20 % varje år, och det betyder att mer och mer data kommer in. Så en stor teknisk utmaning är att upprätthålla lyhördhet i realtid och se till att personliga rekommendationer inte fungerar. Det kräver inte långa väntetider, allt utan att serveringskostnaderna ökar. Det är faktiskt en av anledningarna till att vi byggde om vår backend-infrastruktur förra året.

När vi växer frågar vi oss själva hur vi kan förbättra användarupplevelsen utan att behöva mycket extra beräkningskraft. Vi tror att maskininlärning kan vara en del av svaret, men vi har sett att ML-lösningar kan använda mer beräkningsresurser – vilket ökar kostnaderna – i takt med att datamodellerna blir större. Det är inte skalbart för oss, så vi arbetar för att förbättra realtidssökning och rankning utan att ådra sig dessa extra kostnader.

Vilka är några av de innovativa lösningar vi bygger för att möta dessa tekniska utmaningar?

Vi bygger ett rekommendationssystem för att hjälpa människor att snabbt upptäcka det innehåll som är mest relevant för dem. För att göra det lär vi oss hur man tillämpar de mest avancerade ML-teknikerna på problemet. Till exempel har vi införlivat självövervakat lärande, avancerade arkitekturer och tekniker från stora språkmodeller (LLM) och kontrafaktisk utvärdering i dessa system.

Det finns många avancerade förutbildade LLM:er, men vi kan inte använda dem direkt eftersom de medför höga serveringskostnader. Istället utbildar vi våra egna modeller med tekniker som ofta används för att bygga LLM. Ett exempel är sekvensmodellering, eftersom både språk och Roblox-användares spelhistorik är sekvenser. Vi vill förstå vilken del av en användares spelhistorik som kan förutsäga deras nuvarande och framtida intressen och preferenser. Den här modellen hjälper oss att göra det.

Samtidigt används självövervakad representationsinlärning nu i stor utsträckning inom datorseende och förståelse av naturligt språk, och vi tillämpar denna teknik på våra rekommendationssystem.

Vilka är de viktigaste lärdomarna från att utföra detta tekniska arbete?

Roblox mål är att koppla samman en miljard användare, och för att göra det måste vi identifiera lösningar som balanserar nytta och kostnad. När vi gör detta effektivt kan vi investera mer i vårt samhälle.

Vi bestämde oss till exempel för att investera i våra egna datacenter, och den satsningen lönar sig. Det största vi lärde oss är att när vi har resurserna och förmågan att göra något själva är det effektivare att skapa något specialbyggt än att betala för tredjepartsteknologi. Genom att bygga våra plattformar och våra modeller från grunden kan vi eftersträva innovativa lösningar som är optimerade för vår verksamhet och våra resursbegränsningar och krav.

Vilket Roblox-värde tror du stämmer bäst överens med hur du och ditt team tacklar tekniska utmaningar?

Respektera samhället. Vi bryr oss djupt om våra skapare och våra utvecklare. Deras åsikter är verkligen viktiga. Vi tar feedback från utvecklarna på största allvar. Jag ägnar mycket tid åt att svara på utvecklarfrågor direkt i samarbete med vårt team för utvecklarrelationer. Att ta sig tid att förstå deras feedback och se hur vi kan förbättra vår plattform för dem har hjälpt oss att se till att vi också fokuserar på rätt saker.

Jag skulle också säga ta det långa perspektivet. Jag gick med i Roblox för att jag verkligen tror på Daves vision om att ta det långa perspektivet. Faktum är att i vårt dagliga arbete undviker vi att bygga kortsiktiga hackiga lösningar. Istället betonar vi att bygga principiella, pålitliga och skalbara lösningar eftersom vi bygger för framtiden.

Vad upphetsar dig mest med vart Roblox och ditt team är på väg?

Vi har så många unika utmaningar. Att bygga rekommendatorsystem som en dubbelsidig marknadsplats och för att behålla användarna på lång sikt är en enorm möjlighet till tillväxt. Men vi tänker också på saker som visuell förståelse och textförståelse för användningsfall som rekommendationer, sökning, förtroende-och-säkerhet, etc.

Dessutom är vi strukturerade på ett sätt så att vi kan röra oss riktigt snabbt och vara mycket effektiva. Varje teammedlem är extremt driven och exalterad över de utmaningar vi har. Om detta låter som något du är intresserad av så har vi en plats för dig.

Om dessa låter som de utmaningar och möjligheter du vill ta dig an, kolla in våra tillgängliga roller roblox.com/careers.