深入探讨Uber机器学习平台当前的发展趋势和目标

2017年9月，Uber 在技术社区发表了一篇文章向大家介绍了 Uber 的机器学习平台 —— Michelangelo。随着平台的日渐成熟，Uber 的业务数量与能力也随之增长和提升，机器学习在整个公司的应用范围越来越广。在本篇文章中，我们将为大家总结 Michelangelo 在过去一年的时间里取得的成果，回顾Michelangelo的发展历程，并深入探讨 Uber 机器学习平台当前的发展方向和未来目标。

三年时间，从零到一百

2015年，机器学习在 Uber 的应用并不广。但随着公司的规模扩大，业务需要也越来越复杂，需要用到机器学习的地方越来越多。如何在公司范围内部署机器学习迅速成为 Uber 的战略重点。

Michelangelo 最初的重点是实现大规模批量训练，并进行批量预测。随着时间的推移，Uber加入了集中式特征存储、模型性能报告、低延迟实时预测服务、深度学习工作流以及许多其他的组件与集成环境。在短短三年内，Uber 已经拥有技术先进的机器学习工具和基础平台，以及上百个机器学习案例。

Uber 的机器学习用例

Uber 将机器学习用在了各种各样的业务中。在这一部分，我们将为大家介绍在过去三年的时间里几个 Michelangelo的典型用例，它们体现了机器学习在 Uber业务中的多样性和影响力：

▌Uber Eats

Uber Eats 使用基于 Michelangelo 的多个模型来做预测，以便食客每次打开 APP 都可以有更好的体验。基于机器学习的排名模型会根据历史数据和用户当前的进程信息，来推荐合适的餐馆和菜品。基于 Michelangelo，优食也会根据预测到达时间、历史数据以及餐馆的实时信息，来估算餐食的送达时间。

▌市场预测

Uber的市场团队利用了各种时空预测模型，这些模型能够预测未来各个地点和时间乘坐者的需求，以及司机是否有空。根据所预测的供需不平衡情况，Uber 系统可以提醒司机提前去往最有机会接客的地点。

▌客户支持

在 Uber平台，每天约有 1500 万次出行记录。人们经常把钱包或手机遗忘在车内，或通过Uber的帮助系统提交各种问题。这些问题单将被提交至客服代表。基于 Michelangelo 的机器学习模型被应用于此，使问题的解决过程更加自动化，并大大提升了速度。

▌乘车检查

自 2010 年的第一条 Uber 乘坐记录以来，每次出行时地图都会使用 GPS 数据。所以我们知道自己何时处于何地，以及是谁在驾驶。但Uber 希望可以做得更多。利用 GPS 的力量和司机的智能手机中的其他传感器，Uber的技术可以检测到可能发生的车祸。例如，如果在一次旅程中出现长时间的意外停车，乘客和司机都会收到一条提醒，可提供交通事件援助。

▌预计到达时间（ETAs）

对公司来说，最重要的指标之一就是各种预估时间。精确的预估时间对好的用户体验至关重要，这些指标被输入无数其他的内部系统中，来协助判定价格和路线。

Uber 的地图服务团队开发了一个复杂的分段路线系统，用来计算基本的预估时间值。这些基本的预估时间具有相同类型的错误。地图服务团队发现他们可以使用机器学习模型来预测这些错误，并用预测的错误来进行修正。由于这个模型正逐个应用在各个城市，Uber 团队发现预估到达时间的准确性大幅提升，在某些情况下，平均预估到达时间的误差减小了 50% 以上。

▌一键聊天

一键聊天的功能基于自然语言处理模型，模型可以预测并展示最有可能的回复，使乘客与司机之间的交流更加高效。司机只需按一下按钮，即可回复乘客的消息，从而避免分心。

▌自动驾驶车辆

Uber 的自动驾驶汽车系统使用深度学习模型来实现各种功能，包括物体检测和路线规划。建模人员用 Michelangelo 的 Horovod 在大量 GPU 机器上进行高效的分布式训练。

Uber如何一步步拓展机器学习的应用场景

作为一支平台团队，Uber 团队的使命是充分利用机器学习的价值，并加速其在公司各个方面的应用。对于数据科学家，Uber的工具简化了机器学习系统构建与部署过程中的生产和运行。对于工程师，Uber 的机器学习工具简化了这些系统背后的数据科学（如特征工程、建模、评估等），使他们无需数据科学家的帮助，就可以轻松训练出质量足够高的模型。最后，对于在建立机器学习系统方面经验丰富的工程团队，Uber还提供 Michelangelo 的机器学习基础组件，以实现自定义的配置和工作流。

能够在 Uber 这样的公司成功扩展机器学习，需要的不仅仅是技术实力，还有组织与设计流程方面的因素。接下来我们就为大家分析一下Uber 成功的三个关键因素：组织、流程和技术。

Michelangelo 机器学习平台的核心战略支柱

▌组织

对于构建高质量的解决方案并将其成功部署来说，让对的人解决对的问题显得尤为重要。例如，如果一个新项目需要计算机视觉方面的知识，那么什么样的组织结构有利于 Uber 高效地分配专家资源，从而保证合适的优先级呢？

经过几次迭代，Uber 目前具备以下几种主要角色和职责：

Uber 机器学习系统中的组织关联

1.产品团队

团队发现，如果产品工程团队具有自己在生产中构建和部署的模型，效果是最好的。例如，Uber的地图服务团队就拥有预测 Uber 预计到达时间（ETA）的模型。产品团队经常配备使用 Uber 机器学习平台来构建与部署模型的全套技能。当他们需要额外的技术时，可以从研究或专家团那队得到帮助。

2.专家团队

当产品工程团队遇到超出能力范围的机器学习问题时，他们可以向内部专家团队求助。Uber 有各个领域的专家，如自然语言处理、计算机视觉、推荐系统、预测，来与产品团队协同构建量身定制的解决方案。例如在COTA 项目中专家团队携手产品团队，为 Uber业务和用户创造了巨大的影响力。

3.研究团队

专家和产品工程团队经常与 Uber 的 AI 研究小组（AI Labs）合作，协同解决问题，并为未来的研究指明方向。一般来说，研究团队不用写用于生产的代码，但他们在实际问题上与其他团队的合作非常紧密。当研究员们开发了新的技术和工具时，平台工程团队就会将其集成到公司的平台上，以便新技术可以为全公司所使用。

4.机器学习平台团队

Michelangelo 平台团队创建并执行了通用的机器学习工作流和工具箱，产品工程团队可以直接用来构建、部署以及运用机器学习解决方案。

Uber 的系统越来越高端，需要解决的问题也越来越复杂，随着日渐增长的灵活性、可扩展性，以及特定领域的机器学习开发经验，需求也增长了起来。Uber 也正在开发一些其他的更面向特定领域的平台，来实现一些不适用于 Michelangelo 工作流的特定用例。

▌流程

Uber 的机器学习服务日渐成熟，许多流程对团队的生产力和效率都起到了作用。分享最佳的机器学习实践经验和建立更加结构化的流程，对指明团队方向和避免重复错误都是至关重要的。

▌技术

任何机器学习系统在技术方面都存在无数细节。在 Uber的系统中有以下几个尤为重要的高级领域：

端到端的工作流：机器学习不仅仅是训练模型，你需要支持整个机器学习工作流：管理数据、评估模型、部署模型、作出预测、以及监控预测。

把机器学习当作软件工程：团队把机器学习的开发与软件开发做类比，然后将软件开发的模式和方法用到机器学习中。

模型开发速度：机器学习模型的开发是一个迭代的过程，具有创新性且高质量的模型来自大量的重复试验。因此，模型的开发与迭代速度至关重要。

模块化与层次化的架构：在处理大多数普通的机器学习用例时，提供端到端的工作流非常重要，但在处理不太常见且更专业的用例时，有可以进行自定义组装的原始组件就变得尤为关键。

1.端到端的工作流程

早期 Uber 就认识到，要在公司内成功开展机器学习需要的不仅仅是训练好模型，更需要对整个工作流提供稳定且可扩展的支持。另外团队还发现，同样的工作流可以应用到多个场景中，包括传统机器学习和深度学习，有监督、无监督以及半监督学习，批量、在线和移动部署，时间序列预测。让一个工具做多种工作并不是重点，但拥有一套可以解决工作流中所有步骤的集成工具是非常重要的。

2.把机器学习看作软件工程

Michelangelo 团队的一个重要原则是，把机器学习看作软件工程。实际的开发和运行机器学习应该和软件工程一样，是一个迭代、严格、经过测试的、且有方法支持的过程。例如，一旦团队认识到一个模型就像编译的软件库，便会在一个严格且可控制版本的系统中，跟踪模型的训练配置，就像控制库源代码的版本一样。跟踪配置这一操作非常重要，因为之后可以将其重复利用，创建新的模型。

3.模型开发速度

创建可靠的机器学习系统是一门学问，需要进行多次迭代才能达到好的效果。迭代速度影响着机器学习在整个组织的扩展，以及一个团队面对问题的解决效率。Michelangelo 团队的首要任务是让数据科学团队提高速度。团队的速度越快，试验的次数越多，也就能测试更多的猜想，从而得到更好的结果。

下图展示了Uber 所考虑的标准机器学习开发流程的思路，以及不同的反馈循环。团队始终在考虑这一流程，并收缩这些循环，使数据科学中的迭代变得更加容易快捷。

机器学习项目的工作流程

4.模块化且层次化的产品

团队在开发 Michelangelo 时遇到的问题之一是：在为常见的机器学习工作流提供端到端支持的同时，还要使那些不常见的工作流保持灵活性。

最初，这个平台和基础组件组成了一个单独的系统。当系统变得更加复杂时，需要解决的问题也变得更加多样且复杂。一些团队希望将 Michelangelo 的部分组件与他们自己的组件相结合，构成新的工作流。其他团队需要专门的开发工具来处理他们的用例，但从头开始构建这些工具很显然是不合理的。因此，团队对 Michelangelo 的架构进行了一些重大修改，尽可能地利用现有系统。

现在，团队正在将 Michelangelo 的架构分解成明确的基础架构层，让团队可以利用它们来构建更复杂的平台，例如自然语言处理或视觉应用。一旦完成这些工作，就将拥有两个用户群：使用 Michelangelo 平台构建和部署模型的模型构建者，和使用 Michelangelo 基础组件构建定制解决方案或复杂平台的机器学习系统构建者。

主要经验教训

在过去的三年里，通过构建 Michelangelo 并将机器学习在整个 Uber 进行拓展，整个团队从成功与失败中获得了许多经验教训。在一些案例中，有时候第一次就把事情做对了，但更多的时候团队需要经过反复多次的尝试，才能找到最适合的方法。可以和企业、技术团队负责人，每一个开发人员分享的经验有以下几点：

让开发人员使用他们偏好的工具。

数据是机器学习中最难的部分，同时也是最重要的部分。

要使开源和商业组件实现大规模运行，需要付出很多努力。

考虑长期的愿景，根据用户的反馈进行多次开发。

实时的机器学习服务很难做到完美。

旅程才刚刚开始，仍有许多工作在等着Uber。这也是一个不断发展的领域，会有更多的东西需要大家学习。