ٹیک کے اندر - روبلوکس - روبلوکس بلاگ پر پرسنلائزیشن کے لیے حل کرنا

ٹیک کے اندر ایک بلاگ سیریز ہے جو ہمارے ساتھ مل کر چلتی ہے۔ ٹیک ٹاکس پوڈ کاسٹ. یہاں، ہم ان اہم تکنیکی چیلنجوں میں مزید غوطہ لگاتے ہیں جن سے ہم نمٹ رہے ہیں اور ان منفرد طریقوں کا اشتراک کرتے ہیں جو ہم ایسا کرنے کے لیے اختیار کر رہے ہیں۔ کے اس ایڈیشن میں ٹیک کے اندرہم نے سینئر انجینئرنگ مینیجر مشیل گونگ سے اس بارے میں مزید جاننے کے لیے بات کی کہ کس طرح پرسنلائزیشن ٹیم کا کام روبلوکس کے صارفین کو ایسے تجربات تلاش کرنے میں مدد کر رہا ہے جنہیں وہ پسند کریں گے۔ 

آپ کن تکنیکی چیلنجوں کو حل کر رہے ہیں؟

ہماری ٹیم - پرسنلائزیشن، جو کہ گروتھ گروپ میں ہے - اپنے صارفین کو ذاتی نوعیت کی اور متعلقہ سفارشات فراہم کرنے کی ذمہ دار ہے۔ ہم لوگوں کو وہ مواد تلاش کرنے کے لیے بااختیار بنانا چاہتے ہیں جو وہ پسند کریں گے، Roblox پر طویل مدتی مصروفیت کو فروغ دیں گے، اور ان لوگوں کے ساتھ تجربات کو جوڑنا چاہتے ہیں جو ان کے لیے صحیح ہیں۔ 

آج، ہمارے 66 ملین یومیہ فعال صارفین ہیں، لیکن اس تعداد میں ہر سال تقریباً 20% اضافہ ہو رہا ہے، اور اس کا مطلب ہے کہ زیادہ سے زیادہ ڈیٹا آرہا ہے۔ لہذا، ایک بڑا تکنیکی چیلنج حقیقی وقت میں ردعمل کو برقرار رکھنا اور ذاتی سفارشات کو یقینی بنانا ہے۔ طویل انتظار کی ضرورت نہیں، سب کچھ سرونگ کے اخراجات میں اضافہ کیے بغیر۔ درحقیقت، یہ ان وجوہات میں سے ایک ہے جس کی وجہ سے ہم نے پچھلے سال اپنے بیک اینڈ انفراسٹرکچر کو مکمل طور پر دوبارہ بنایا۔

جیسے جیسے ہم بڑھتے ہیں، ہم اپنے آپ سے پوچھ رہے ہیں کہ ہم بہت زیادہ کمپیوٹ پاور کی ضرورت کے بغیر صارف کے تجربے کو کیسے بہتر بنا سکتے ہیں۔ ہمارے خیال میں مشین لرننگ جواب کا حصہ ہو سکتی ہے، لیکن ہم نے دیکھا ہے کہ ML سلوشنز زیادہ کمپیوٹ وسائل استعمال کر سکتے ہیں — جو لاگت میں اضافہ کرتے ہیں — جیسے جیسے ڈیٹا ماڈل بڑے ہوتے جاتے ہیں۔ یہ ہمارے لیے قابل توسیع نہیں ہے، اس لیے ہم ان اضافی اخراجات کے بغیر حقیقی وقت کی تلاش اور درجہ بندی کو بہتر بنانے کے لیے کام کر رہے ہیں۔ 

ان تکنیکی چیلنجوں سے نمٹنے کے لیے ہم کون سے اختراعی حل تیار کر رہے ہیں؟

ہم ایک تجویز کنندہ نظام بنا رہے ہیں تاکہ لوگوں کو وہ مواد دریافت کرنے میں مدد ملے جو ان کے لیے سب سے زیادہ متعلقہ ہے۔ ایسا کرنے کے لیے، ہم سیکھ رہے ہیں کہ کس طرح جدید ترین ML ٹیکنالوجیز کو مسئلے پر لاگو کرنا ہے۔ مثال کے طور پر، ہم نے خود زیر نگرانی سیکھنے، بڑے لینگویج ماڈلز (LLMs) سے جدید فن تعمیرات اور تکنیکوں کو ان سسٹمز میں شامل کیا ہے، اور ان نظاموں میں جوابی تشخیص۔

بہت سے جدید پہلے سے تربیت یافتہ LLMs ہیں، لیکن ہم انہیں براہ راست استعمال نہیں کر سکتے کیونکہ ان پر سرونگ کے زیادہ اخراجات آتے ہیں۔ اس کے بجائے، ہم LLMs بنانے کے لیے اکثر استعمال کی جانے والی تکنیکوں کا استعمال کرتے ہوئے اپنے ماڈلز کی تربیت کر رہے ہیں۔ ایک مثال سیکوینس ماڈلنگ ہے، کیونکہ زبان اور روبلوکس یوزر پلے ہسٹری دونوں ہی ترتیب ہیں۔ ہم یہ سمجھنا چاہتے ہیں کہ صارف کی پلے ہسٹری کا کون سا حصہ ان کی موجودہ اور مستقبل کی دلچسپیوں اور ترجیحات کا اندازہ لگا سکتا ہے۔ یہ ماڈل ہمیں ایسا کرنے میں مدد کرتا ہے۔   

ایک ہی وقت میں، خود زیر نگرانی نمائندگی سیکھنے کا اب بڑے پیمانے پر کمپیوٹر ویژن اور فطری زبان کی تفہیم میں استعمال کیا جا رہا ہے، اور ہم اس تکنیک کو اپنے سفارشاتی نظاموں پر لاگو کر رہے ہیں۔ 

اس تکنیکی کام کو کرنے سے کلیدی سبق کیا ہیں؟

روبلوکس کا مقصد ایک ارب صارفین کو جوڑنا ہے، اور ایسا کرنے کے لیے ہمیں ایسے حلوں کی نشاندہی کرنے کی ضرورت ہے جو افادیت اور لاگت میں توازن رکھتے ہوں۔ جب ہم یہ مؤثر طریقے سے کرتے ہیں، تو ہم اپنی کمیونٹی میں مزید سرمایہ کاری کرنے کے قابل ہو جاتے ہیں۔ 

مثال کے طور پر، ہم نے اپنے ڈیٹا سینٹرز میں سرمایہ کاری کرنے کا فیصلہ کیا، اور اس شرط کا نتیجہ نکل رہا ہے۔ سب سے بڑی چیز جو ہم نے سیکھی وہ یہ ہے کہ جب ہمارے پاس خود کچھ کرنے کے وسائل اور صلاحیت ہوتی ہے، تو یہ تیسری پارٹی کی ٹیکنالوجی کے لیے ادائیگی کرنے کے بجائے مقصد کے لیے بنائی گئی چیز بنانا زیادہ کارآمد ہے۔ اپنے پلیٹ فارمز اور اپنے ماڈلز کو زمین سے بنا کر، ہم ایسے اختراعی حل تلاش کرنے کے قابل ہو جاتے ہیں جو ہمارے کاروبار اور ہمارے وسائل کی رکاوٹوں اور ضروریات کے لیے موزوں ہیں۔ 

آپ اور آپ کی ٹیم تکنیکی چیلنجوں سے نمٹنے کے طریقے سے روبلوکس کی کون سی قدر آپ کے خیال میں سب سے بہتر ہے؟

برادری کا احترام کریں۔ ہمیں اپنے تخلیق کاروں اور اپنے ڈویلپرز کا بہت خیال ہے۔ ان کی رائے واقعی اہمیت رکھتی ہے۔ ہم ڈویلپر کے تاثرات کو بہت سنجیدگی سے لیتے ہیں۔ میں اپنی ڈیولپر ریلیشن ٹیم کے ساتھ شراکت میں براہ راست ڈویلپر کے سوالات کے جوابات دینے میں کافی وقت صرف کرتا ہوں۔ ان کے تاثرات کو سمجھنے، اور یہ دیکھنے کے لیے کہ ہم ان کے لیے اپنے پلیٹ فارم کو کیسے بہتر بنا سکتے ہیں، اس سے ہمیں یہ یقینی بنانے میں مدد ملی ہے کہ ہم صحیح چیزوں پر بھی توجہ مرکوز کر رہے ہیں۔ 

میں یہ بھی کہوں گا کہ لمبا نظارہ کریں۔ میں نے روبلوکس میں شمولیت اختیار کی کیونکہ میں واقعی ڈیو کے طویل نظریہ لینے کے وژن پر یقین رکھتا ہوں۔ درحقیقت، ہمارے روزمرہ کے کام میں، ہم مختصر مدت کے ہیکی حل بنانے سے گریز کرتے ہیں۔ اس کے بجائے، ہم اصولی، قابل اعتماد، اور قابل توسیع حلوں کی تعمیر پر زور دیتے ہیں کیونکہ ہم مستقبل کے لیے تعمیر کر رہے ہیں۔

روبلوکس اور آپ کی ٹیم کہاں جا رہی ہے اس کے بارے میں آپ کو سب سے زیادہ پرجوش کیا ہے؟ 

ہمارے پاس بہت سے منفرد چیلنجز ہیں۔ دو طرفہ مارکیٹ پلیس کے طور پر تجویز کنندہ کے نظام کی تعمیر اور طویل مدتی صارف برقرار رکھنے کے لیے، ترقی کا ایک بہت بڑا موقع ہے۔ لیکن ہم استعمال کے معاملات جیسے کہ سفارشات، تلاش، اعتماد اور حفاظت وغیرہ کے لیے بصری سمجھ اور متن کی تفہیم جیسی چیزوں کے بارے میں بھی سوچ رہے ہیں۔

اس کے علاوہ، ہماری ساخت اس طرح سے ہے کہ ہم واقعی تیزی سے آگے بڑھ سکتے ہیں اور بہت موثر ہو سکتے ہیں۔ ٹیم کا ہر رکن ہمیں درپیش چیلنجوں کے بارے میں انتہائی پرجوش اور پرجوش ہے۔ اگر یہ کسی ایسی چیز کی طرح لگتا ہے جس میں آپ کی دلچسپی ہے، تو ہمارے پاس آپ کے لیے ایک جگہ ہے۔ 

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://blog.roblox.com/2023/09/inside-the-tech-solving-for-personalization/