Meituan'ın on yılında, dünyanın en büyük paket servis teslimatını destekleyen tek duraklı makine öğrenimi platformu nasıl yapıldı?
Yazar | Yan Wei, Meituan dağıtım teknik ekibinin kıdemli teknik uzmanı
Sorumlu editör | Tang Xiaoyin
Kapak resmi | CSDN, Dongfang IC'den indirilebilir
Bu makale Meituan teknik ekibi tarafından sağlanmıştır.
AI şu anda İnternet endüstrisindeki en sıcak "yıldız". İster yerleşik bir dev isterse trafikte yeni bir başlangıç olsun, kendi işlerini güçlendirmek için AI teknolojisini şiddetle geliştiriyorlar. Teslimat, kapalı döngü gıda dağıtım platformları zincirinin önemli bir parçasıdır.Teslim verimliliği ve kullanıcı deneyimi, teslimat işinin temel rekabet gücüdür. Sipariş sayısındaki artış, yolcu sayısı ve teslimat sahnesinin karmaşıklığı ile teslimat sahnesinin çeşitli algoritmaları daha hızlı (algoritmaların hızlı bir şekilde yinelenmesi ve hızlı bir şekilde başlatılması gerekiyor) ve daha iyi (işletmeler giderek daha fazla makineye güveniyor) pozitif etkiler üretmek için algoritmaları öğrenme), daha doğru (tahmini teslim süresi vb. gibi algoritmanın her türlü tahminlerinin gerçek değeri doğru bir şekilde tahmin etmesi gerekir), ayrıca artan zorluklarla karşı karşıyadır.
Araştırmadan algoritmanın son sürümüne kadar, bir dizi mühendislik geliştirme ve yerleştirme işlemi gereklidir, bu da yeni bir soruya yol açar: algoritmalar ve mühendislik arasındaki sınırlar nasıl belirlenir ve kendi görevlerini ve avantajlarını nasıl gerçekleştirirler? Algoritma yinelemesinin hızı ve verimliliği nasıl artırılır? Algoritmanın etkisi nasıl hızlı ve doğru bir şekilde değerlendirilir? Bu makale, size yardımcı olmayı veya ilham vermeyi umarak, tek duraklı bir makine öğrenimi platformu oluşturma sürecinde Meituan teslimat teknik ekibinin bazı deneyimlerini ve keşiflerini paylaşacaktır.
Iş geçmişi
Temmuz 2019'da Meituan'ın günlük sipariş hacmi, nispeten lider bir pazar payını işgal ederek 30 milyon siparişi aştı. Kullanıcılara, tüccarlara ve yolculara odaklanan Meituan Delivery, dünya lideri bir anında teslimat ağı kurdu, endüstri lideri bir Meituan akıllı dağıtım sistemi kurdu ve dünyanın en büyük paket teslimat platformunu oluşturdu.
Dağıtım ağının nasıl daha verimli çalıştırılacağı ve daha iyi bir kullanıcı deneyiminin nasıl sağlanacağı çok zor bir iştir. ETA tahmini, akıllı çizelgeleme, harita optimizasyonu, dinamik fiyatlandırma, durumsal farkındalık, akıllı operasyonlar ve diğer alanlar dahil olmak üzere çok sayıda karmaşık makine öğrenimi ve operasyonel araştırma optimizasyon problemini çözmemiz gerekiyor. Aynı zamanda deneyim, verimlilik ve maliyet arasında da bir denge kurmamız gerekiyor.
Meituan teslimat makinesi öğrenme platformunun evrim süreci
Neden tek duraklı bir makine öğrenimi platformu oluşturmalısınız?
Yukarıdaki makine öğrenimi sorunlarını çözmek istiyorsanız, algoritma geliştiricilere yardımcı olacak, sıkıcı mühendislik geliştirmelerinden kurtulmanıza yardımcı olacak ve sınırlı enerjinizi algoritma stratejilerinin yinelenmesine odaklayacak güçlü ve kullanımı kolay bir makine öğrenimi platformuna ihtiyacınız var.
Şu anda sektörde, Microsoft'un Azure'u, Amazon'un SageMaker'ı, Alibaba'nın PAI platformu, Baidu'nun PaddlePaddle'ı ve Tencent'in TI platformu gibi büyük şirketler tarafından geliştirilen ticari ürünlerin yanı sıra birçok açık kaynaklı ürün de dahil olmak üzere birçok mükemmel makine öğrenimi platformu bulunmaktadır. diğerleri arasında UC Berkeley'in Caffe'si, Google'ın TensorFlow'u, Facebook'un PyTorch'u ve Apache'nin Spark MLlib'i gibi. Açık kaynak platformlarının çoğu, makine öğrenimi veya derin öğrenme modellerinin eğitimine odaklanan makine öğrenimi veya derin öğrenme temel bilgi işlem çerçeveleridir; şirketin ticari ürünleri, tek elden Ekolojik sağlayan ikincil geliştirme için temel makine öğrenimi ve derin öğrenim bilgi işlem çerçevelerine dayanmaktadır. hizmetler, algoritma öğrencileri için eşiği düşürmek için kullanıcılara veri ön işleme, model eğitimi, model değerlendirme ve model çevrimiçi tahminden tam süreç geliştirme ve dağıtım desteği sağlar.
Şirket düzeyinde tek duraklı bir makine öğrenimi platformunun amacı ve konumu, bir makine öğrenimi platformuna olan ihtiyaçlarımızla örtüşmektedir: kullanıcılara uçtan uca tek noktadan hizmetler sağlamak, sıkıcı mühendislik geliştirmelerinden kurtulmalarına yardımcı olmak ve sınırlı Enerji, algoritma stratejisinin yinelenmesine odaklanır. Bunun ışığında, Meituan'ın tek duraklı makine öğrenimi platformu ortaya çıktı.
Meituan dağıtım makine öğrenim platformunun evrimi iki aşamaya ayrılabilir:
-
MVP aşaması: esnek, hızlı deneme yanılma ve hızlı yineleme yeteneği.
-
Platformlaştırma aşaması: İş katlanarak büyüdü ve makine öğrenimi algoritmaları gerektiren daha fazla senaryo var.Yalnızca iş geliştirmeyi değil, aynı zamanda sistem kullanılabilirliği, ölçeklenebilirlik ve Ar-Ge verimliliği gibi sorunları da çözme.
MVP aşaması
İlk aşamada, makine öğrenimi platformunun neye dönüşeceği konusunda herkes net değil ve birçok şey belirsiz. Ancak işin gelişimini desteklemek için hızlı bir şekilde internete girmek ve hızlı bir şekilde denemek ve hata yapmak gerekiyor. Bu nedenle, bu aşamada her iş kolu bağımsız olarak kendi makine öğrenimi araç setini oluşturur, ilgili işletmelerinin özel ihtiyaçlarına göre yinelenir ve makine öğrenimi algoritmalarının belirli iş senaryolarına çevrimiçi uygulamasını hızlı bir şekilde destekler. "baca" modeli". Bu model bağımsız çalışır ve çok esnektir, işletmenin kişiselleştirilmiş ihtiyaçlarını hızlı bir şekilde destekleyebilir ve işletmenin pazarı ele geçirme fırsatını yakalayabilir. Ancak, iş ölçeğinin kademeli olarak genişlemesiyle, bu "baca modelinin" eksiklikleri, esas olarak aşağıdaki iki açıdan belirgin hale geldi:
-
Tekerleği tekrarlayın:
Özellik mühendisliği, model eğitimi ve model çevrimiçi tahmini, sıfırdan başlayarak bağımsız olarak geliştirilir ve algoritmanın yinelemeli verimliliği düşüktür.
-
Kalibre Kaos Özellikleri:
Çeşitli iş tarafları tekrar tekrar özellikler geliştirir ve aynı özelliğin istatistiksel kalibresi tutarsızdır, bu da algoritmaların birlikte çalışmasını zorlaştırır.
platform aşaması
Çeşitli departmanlar tarafından tekrarlanan tekerlek yapımından kaçınmak ve Ar-Ge'nin verimliliğini artırmak, aynı zamanda iş göstergelerinin ve özelliklerinin hesaplama kalibresini birleştirmek ve dağıtım tarafında veri sistemini standart hale getirmek için Ar-Ge ekibi, Meituan Distribution, her iş kolunun makinelerini düzenleme konusunda uzmanlaşmış bir algoritma mühendisliği ekibi oluşturdu.Birleştirilmiş bir makine öğrenimi platformu oluşturmayı umarak öğrenme araç seti, gereksinimleri temel olarak aşağıdaki hususları içerir:
-
Platformun alt katmanı, kaynak planlama yönetimi için Hadoop/Yarn'a dayanır.Üç makine öğrenimi çerçevesini, Spark ML, XGBoost ve TensorFlow'u entegre eder ve MLX (Süper Büyük) gibi diğer makine öğrenimi çerçevelerine erişimi kolaylaştırmak için ölçeklenebilirliği korur. Scale) Meituan tarafından kendi kendine geliştirildi. Arama, öneri ve reklamcılık gibi sıralama sorunları için özelleştirilmiş ve on milyarlarca özelliği ve akış güncellemesini destekleyen büyük ölçekli bir makine öğrenimi platformu.
-
Spark ML, XGBoost ve TensorFlow makine öğrenimi çerçevelerini kapsülleyerek, görsel bir çevrimdışı eğitim platformu uyguladık, sürükleyip bırakarak DAG grafikleri oluşturduk, birden çok eğitim çerçevesi arasındaki farkları koruduk, birleştirilmiş model eğitimi ve kaynak tahsisi ve azaltılmış algoritma RD. erişim eşiği.
-
Model yönetimi platformu, model kaydı, keşif, dağıtım, anahtarlama ve düşürme için birleşik çözümler sağlar ve makine öğrenimi ve derin öğrenme modellerinin gerçek zamanlı bilgi işlemi için yüksek kullanılabilirlikli çevrimiçi tahmin hizmetleri sağlar.
-
Çevrimdışı özellik platformu çevrim dışı günlükleri toplar ve sıralar, algoritmanın gerektirdiği özellikleri hesaplar ve iyileştirir ve çevrim dışı özellikleri çevrim içi olana uygular.
-
Gerçek zamanlı özellik platformu, çevrimiçi verileri gerçek zamanlı olarak toplar, algoritmanın gerektirdiği özellikleri hesaplar ve iyileştirir ve uygulamayı gerçek zamanlı olarak çevrimiçi ortama iter.
-
Algoritmanın sürümünü ve algoritma sürümünün kullandığı modelleri, özellikleri ve parametreleri yöneten bir sürüm yönetim platformu.
-
AB deneysel platformu, bilimsel triyaj ve değerlendirme yöntemleri ile algoritmanın etkisini daha hızlı ve daha iyi doğrulayabilir.
Turing Platformu
Platformlaştırma aşamasında, Meituan dağıtım makine öğrenimi platformu için hedef konumlandırmamız: algoritma öğrencilerinin araştırma, geliştirme, başlatma ve değerlendirme sürecinin tamamını kapsayan, algoritma öğrencilerine tek elden hizmet sağlayan tek duraklı bir makine öğrenimi platformudur. Algoritma etkileri, aşağıdakiler dahil: Veri işleme, özellik üretimi, örnek oluşturma, model eğitimi, model değerlendirme, model yayınlama, çevrimiçi tahmin ve etki değerlendirmesi. Bu amaca cevaben herkes platforma cesur bir isim de verdi - Turing, Çince adı Turing Platform. Biraz "cesur" olsa da, ekibimiz için de bir tür teşvik.
-
Öncelikle veri toplama aşamasında çevrimiçi ve çevrimdışı işlemeyi destekler ve örnekleme, filtreleme, normalleştirme, standardizasyon vb. yoluyla gerçek zamanlı ve çevrimdışı özellikler üretir ve bunları çevrimiçi hizmetler için çevrimiçi özellik kitaplığına iter.
-
Model eğitimi aşamasında sınıflandırma, regresyon, kümeleme, derin öğrenme ve diğer modelleri destekler ve özel Kayıp kaybı fonksiyonlarını destekler.
-
Model değerlendirme aşamasında, AUC, MSE, MAE, F1, vb. gibi çeşitli değerlendirme göstergeleri desteklenir.
-
Model serbest bırakma aşamasında, modeli iş hizmetinde yerel olarak dağıtmaya ve özel bir çevrimiçi tahmin kümesinde dağıtmaya karşılık gelen hem yerel hem de uzak modları destekleyen tek tıklamalı bir dağıtım işlevi sağlanır.
-
Çevrimiçi tahmin aşamasında, AB deneylerini, esnek gri tonlamalı serbest bırakma ve yüksek hacmi destekler ve birleşik gömülü nokta günlüğü aracılığıyla AB deneylerinin etki değerlendirmesini gerçekleştirir.
Çevrimdışı eğitim platformu
Çevrimdışı eğitim platformunun amacı, görsel bir eğitim platformu oluşturmak, çoklu eğitim çerçeveleri arasındaki farkları korumak ve algoritma RD için erişim eşiğini azaltmaktır.
RD algoritmasının makine öğrenimi alanına girmesi için eşiği düşürmek amacıyla, eksiksiz bir makine öğrenimi eğitimi oluşturmak için çeşitli bileşenleri sürükleyip bırakarak bir DAG grafiğinde birleştirilebilen, görsel bir arayüze sahip çevrimdışı bir eğitim platformu geliştirdik. görev.
Şu anda desteklenen bileşenler kabaca birkaç kategoriye ayrılmıştır: giriş, çıkış, özellik ön işleme, veri seti işleme, makine öğrenimi modelleri ve derin öğrenme modelleri.Her kategori, farklı uygulama senaryolarını desteklemek için birkaç farklı bileşen geliştirmiştir. Aynı zamanda, esnekliği kaybetmemek için, çeşitli gereksinimleri karşılamak için elimizden gelenin en iyisini yapmak için özel parametreler, otomatik parametre ayarlama, özel Kayıp işlevleri vb. gibi çeşitli işlevler sağlama konusunda da çok düşündük. Algoritma öğrencilerinin farklı iş yönlerindeki esneklik ihtiyaçları.
Çevrimdışı eğitim platformumuz bir model ürettiğinde, model dosyasına ek olarak, her bir modelin tüm ön işleme modülü bilgilerini MLDL dosyasına yazan bir MLDL (Machine Learning Definition Language) dosyası da üretir ve model Save in the the modelini de oluşturur. aynı dizin. Model yayınlandığında, model dosyası bir bütün olarak MLDL dosyasıyla birlikte çevrimiçi olarak yayınlanır. Çevrimiçi hesaplama sırasında, önce MLDL'deki ön işleme mantığı otomatik olarak yürütülür ve ardından model hesaplama mantığı yürütülür. MLDL aracılığıyla, tüm makine öğrenimi platformunu çalıştıran çevrimdışı eğitim ve çevrimiçi tahmin açılır, böylece aynı özellik ön işleme çerçevesi kodu hem çevrimdışı hem de çevrimiçi olarak kullanılır, böylece çevrimdışı ve çevrimiçi işlemenin tutarlılığı sağlanır.
Modeli yayınlarken, aynı zamanda, kullanıcıların özellikleri modelin giriş parametreleriyle ilişkilendirmelerini destekleyen, modelin çevrimiçi tahmin sırasında özellikleri otomatik olarak elde etmesini kolaylaştıran ve aşağıdaki durumlarda özellikleri elde etme işini büyük ölçüde basitleştiren model bağlama özelliği işlevini de sağlarız. RD algoritması, model girdi miktarını oluşturur.
Model yönetim platformu
Daha önce belirtildiği gibi, Turing platformumuz, Spark ML, XGBoost ve TensorFlow olmak üzere üç temel eğitim çerçevesini entegre eder.Buna dayanarak, eğitim platformumuz LR, SVM ve ağaç modelleri dahil olmak üzere birçok türde makine öğrenimi modeli üretir.GBDT, RF vardır. , XGB vb. ve derin öğrenme modelleri arasında RNN, DNN, LSTM, DeepFM vb. bulunur. Model yönetimi platformumuzun amacı, model kaydı, keşif, dağıtım, anahtarlama ve düşürme için birleşik çözümler sağlamak ve makine öğrenimi ve derin öğrenme modelleri için yüksek oranda erişilebilir çevrimiçi tahmin hizmetleri sağlamaktır.
Model yönetim platformu hem yerel hem de uzak dağıtım modlarını destekler:
-
Yerel: Model ve MLDL, iş tarafının hizmet düğümüne eşit olarak itilir.Aynı zamanda, Turing platformu, iş tarafı uygulamasına gömülü bir Java Lib paketi sağlar ve iş tarafı, model hesaplamasını şu şekilde başlatır: yerel arayüz.
-
Uzak: Turing platformu, özel bir çevrimiçi bilgi işlem kümesini korur ve model ve MLDL, çevrimiçi bilgi işlem kümesinde eşit olarak dağıtılır.İş tarafı uygulaması, model hesaplamasını gerçekleştirmek için RPC arabirimi aracılığıyla çevrimiçi bilgi işlem hizmetini çağırır.
Ultra büyük modeller için tek bir makine yüklenemez ve modelin parçalanması gerekir. Meituan dağıtımının iş özellikleri göz önüne alındığında, dağıtım şehrine/bölgesine göre bölümleme eğitimi yapılabilir, her şehir veya bölge küçük bir model üretir ve çoklu bölüm modelleri birden fazla düğümde konuşlandırılarak tek bir düğümün problemini çözer. büyük bir model yükleyemez. Bölme modeli, iş tarafının ilgili bölme modelinin konuşlandırıldığı düğümü doğru bir şekilde bulabilmesi için modelin yönlendirme işlevini sağlamamızı gerektirir.
Aynı zamanda, model yönetim platformu ayrıca her bir hizmet düğümünün kalp atışı raporlama bilgilerini toplar, model durumunu ve sürüm değiştirmeyi korur ve tüm düğümlerdeki model sürümlerinin tutarlı olmasını sağlar.
Çevrimdışı Özellik Platformu
Çevrimiçi dağıtım işi, her gün biniciler, tüccarlar ve kullanıcılar gibi birçok veri boyutunu kaydeder.Bu veriler, sözde çevrimdışı özellikleri elde etmek için ETL tarafından işlenir.Algoritmalar, modelleri eğitmek için bu çevrimdışı özellikleri kullanır ve bu özellikleri tahmin etmek için çevrimiçi kullanır çevrimiçi modeller. Çevrimdışı özellik platformu, Hive tablosunda depolanan çevrimdışı özellik verilerini çevrimiçi olarak üretmek ve çeşitli işletmelerin yüksek eşzamanlılığını ve hızlı algoritma yinelemesini desteklemek için çevrimdışı özelliklerin çevrimiçi edinilmesine yönelik hizmet kapasitesi sağlamaktır.
En basit çözüm, çevrimdışı özellikleri doğrudan DB'de depolamaktır ve çevrimiçi hizmet, özellik değerini elde etmek için doğrudan DB'yi okur. DB'yi okumak çok ağır bir işlemdir.Bu çözüm açıkça İnternetin büyük eşzamanlılık senaryosunu karşılayamaz ve doğrudan geçilir.
İkinci çözümde, her çevrimdışı özellik bir K-V yapısı olarak Redis'te depolanır ve çevrimiçi hizmet, özellik değerini elde etmek için özellik anahtarına göre doğrudan Redis'i okur. Bu çözüm, Redis in-memory K-V veritabanının yüksek performansından yararlanıyor.İlk bakışta işletmenin ihtiyaçlarını karşılayabilecek gibi görünse de fiili kullanımda ciddi performans sorunları da var.
Tipik iş senaryosu: Örneğin, 20 üye işyerinin teslimat süresini tahmin etmek istiyoruz.Her üye işyerinin 100 özelliğe ihtiyacı olduğunu varsayarsak, model hesaplaması için 20*100=2000 özelliğe ve 2000 KV'ye ihtiyacımız var. Doğrudan edinilirse iş tarafının performans gereksinimlerini karşılayamaz, Redis tarafından sağlanan toplu Mget arabirimi kullanılırsa, her seferinde 100 KV alınırsa 20 Mget gerekir. Önbelleğe alma yönetimi için zaman alıcı TP99 yaklaşık 5 ms'dir ve Mget'in 20 katı, TP99100 ms'ye yakındır, bu da iş tarafının performans gereksinimlerini karşılayamaz (yukarı akış hizmeti zaman aşımı süresi yaklaşık 50 ms'dir).
Bu nedenle, çevrimdışı özellik depolama ve alımını optimize etmemiz gerekiyor. Özellik grubu kavramını ortaya koyduk.Aynı boyuttaki özellikler, özellik grubunun yapısına göre bir KV'de toplanır, bu da anahtar sayısını büyük ölçüde azaltır ve özelliğin dinamik ayarını desteklemek için nispeten eksiksiz yönetim işlevleri sağlar. gruplar (birleştirme, bölme, vb.).
gerçek zamanlı özellik platformu
Geleneksel teslimatla karşılaştırıldığında, anında teslimat, konum bilgisi, sürücü yükü, mevcut yol ağı koşulları ve tüccarların yemek teslimat koşulları açısından hızla değişir ve gerçek zamanlı gereksinimler çok yüksektir. Makine öğrenmesi algoritmalarının çevrimiçi ortamda gerçek zamanlı olarak etkili olabilmesi için çeşitli çevrimiçi iş verilerini gerçek zamanlı olarak toplamamız, hesaplamalar yapmamız, bunları algoritmanın gerektirdiği özelliklere göre iyileştirmemiz ve gerçek zamanlı olarak güncellememiz gerekiyor.
AB deney platformu
AB deneyi yeni bir kavram değil.Google mühendislerinin 2000 yılında bu yöntemi internet ürünlerine uyguladıkları için AB deneyi yurtiçinde ve yurtdışında giderek daha popüler hale geldi ve İnternet ürünlerinin çalışma hassasiyetinin önemli bir tezahürü haline geldi. Basitçe ifade etmek gerekirse, ürün optimizasyonunda AB deneyinin uygulama yöntemi şudur: Ürün resmi olarak yinelemeli olarak piyasaya sürülmeden önce, aynı amaç için iki (veya daha fazla) şema formüle edilir ve kullanıcı trafiği birkaç gruba ayrılır, böylece Her kullanıcı grubunun özelliklerini sağlayın.Aynı öncül altında, kullanıcıların farklı şema tasarımlarını görmelerine izin verin ve ürünlerin birkaç kullanıcı grubundan gelen gerçek veri geri bildirimlerine dayalı kararlar almasına bilimsel olarak yardımcı olun.
İnternet alanındaki yaygın AB deneyleri, çoğunlukla, kayıtlı kullanıcının UID'sine veya kullanıcının cihaz kimliğine (mobil kullanıcı IMEI numarası/PC kullanıcı tanımlama bilgisi) dayalı rastgele veya karma hesaplama gibi trafiği seçmek için C-son kullanıcıları içindir. Arama, tavsiye, reklam ve diğer alanlarda yaygın olarak kullanılan bu tür çözümler, binlerce kişinin ve binlerce yüzün özelliklerini yansıtmaktadır. Bu tür bir şema basit uygulama ile karakterize edilir.Taleplerin bağımsız ve özdeş olarak dağıtıldığı ve trafiğin birbirine müdahale etmeden bağımsız kararlar aldığı varsayılır. Bu tür AB deneyinin yapılabilmesinin nedeni, C tarafı trafiğinin nispeten büyük olması, yeterli sayıda örnek olması ve farklı kullanıcılar arasında karşılıklı etkileşim olmamasıdır.Akış yeterince rastgele olduğu sürece, istekler yapılabilir. temelde bağımsız ve aynı şekilde dağıtılmış olması garanti edilir.
Anında teslimat alanındaki AB deneyi, kullanıcılar, tüccarlar ve biniciler etrafında döner.Kullanıcılar/tüccarlar/biniciler artık birbirinden bağımsız değil, birbirlerini etkiler ve kısıtlar. Bu tür senaryolar için mevcut trafik dağıtım çözümleri, farklı politikaların karşılıklı etkileşimine neden olacak ve her bir trafik için her bir politikanın artılarını ve eksilerini etkin bir şekilde değerlendiremeyecek.
Yukarıdaki problemleri göz önünde bulundurarak, teslimat tarafındaki AB deneyini üç aşamaya ayırıyoruz: olaydan önce AA gruplaması, olay sırasında AB şantlaması ve olaydan sonra etki değerlendirmesi.
-
AA gruplaması: Aday trafik önceden belirlenmiş kurallara göre kontrol grubu ve deney grubu olarak ikiye ayrılır.Matematiksel istatistik teorisine dayalı olarak kontrol grubu ile deney grubunun işletmede önemli bir fark olmaması sağlanır. ilgili göstergeler.
-
AB triyaj: Gerçek zamanlı olarak kontrol veya deneysel sürümler için çevrimiçi istekleri bölün.
-
Etki değerlendirmesi: Kontrol grubu ve deney grubu verilerinin karşılaştırılmasına dayalı olarak AB deneyinin etkisini değerlendirin.
Anlık teslimin özel durumu nedeniyle, örneğin teslim bölgelerine veya şehirlere göre AB deneyleri yaparken, sınırlı örneklem alanı nedeniyle, hiçbir farkı olmayan kontrol grupları ve deney grupları bulmak zordur.Bu nedenle bir zaman tasarladık. -slice AB kontrol yöntemi. : Gün, saat ve dakika bazında parçalamayı destekler ve çoklu zaman dilimleri sırayla döndürülür. Farklı bölgelerde ve farklı zaman dilimlerinde, çevrimdışı faktörlerin etkisini en aza indirmek için AB şantını gerçekleştirmek için dönüşümlü olarak farklı stratejiler değiştirilir Deneysel bilimde adaleti sağlamak.
Özet ve Görünüm
Şu anda Turing platformu, Meituan Delivery, Xiaoxiang ve LBS platformları gibi İB'lerin çevrimdışı eğitimini, çevrimiçi tahminini, AB deneylerini vb. RD algoritmasının verimliliğini önemli ölçüde artırır. Gelecekte, aşağıdaki alanları derinlemesine araştırmaya devam edeceğiz:
1) Derin öğrenmenin yapısını güçlendirin.
-
Derin öğrenmenin yapısını güçlendirin, derin öğrenmeyi tam olarak destekleyin ve derin öğrenmeyle ilgili bileşenlerin makine öğrenimi bileşenleriyle aynı olduğunu ve görsel arayüzdeki herhangi bir bileşenle birleştirilebileceğini anlayın.
-
Çevrimdışı eğitim, daha yaygın derin öğrenme modellerini destekler.
-
Derin öğrenme modellerini özelleştirmek için doğrudan Python kodu yazmayı destekler.
2) Çevrimiçi tahmin platformizasyonu, daha fazla ayrıştırma algoritmaları ve mühendislik.
-
Turing platformu SDK'sını basitleştirin, ana bilgi işlem mantığını soyun ve çevrimiçi bir tahmin platformu oluşturun.
-
Çevrimiçi tahmin platformu, algoritmanın, işletme mühendisinin ve Turing platformunun ayrıştırılmasını gerçekleştirmek için algoritma paketini dinamik olarak yükler.
Yazar hakkında: Meituan dağıtım teknik ekibinin kıdemli teknik uzmanı Yan Wei.
Bill Gates, Microsoft'un yönetim kurulundan istifa etti; Apple WWDC ve Microsoft Build konferanslarının tümü çevrimiçi yapıldı; Rust 1.42.0 yayınlandı | Geek Manşetler
11 Çin'in borsa sigortası, "felaket" programcıları mı? !
Sürüm 2.2 yayınlandı! TensorFlow, geliştirici becerileri sertifikasını başlattı
Soul App yöneticileri tutuklandı, kötü niyetli raporlar rakip ürünlerin kaldırılmasına neden oldu
2020'nin en son sürümünde 68 Redis mülakat sorusu, 20.000 kelime kuru mal var, acele edin ve ileride kullanmak üzere toplayın!
Bitcoin ağının eski sorunlarını çözmek için yeni çatalı kullanmaya hazır, BTCU adlı yeni bir Bitcoin çatalı
