【CSDN 编者按】
Dropbox 借助机器学习的预测功能，每年能为公司节省了一百多七十多万美元的基础架构成本。非常了不起的成就。
本文，一起来看一看 Dropbox 采用机器学习的经过，以及分析一下其中的利弊。
译者 | 弯月 责编 | 张文
出品 | CSDN（ID：CSDNnews）
最近，Dropbox 优化了生成和缓存文档预览的方式，并借助机器学习的预测能力，每年为公司节省了 170 万美元的基础架构成本。Dropbox 的一些常用功能都采用了机器学习，例如搜索、文件与文件夹提示以及文档扫描 OCR。虽然用户看不到 Dropbox 采用的机器学习，但这些应用程序仍以其他方式推动了业务的发展。
在本文中，我们就来看一看 Dropbox 采用机器学习的经过，以及其中的利弊。
预览功能
用户可以利用 Dropbox 的预览功能直接查看文件，而无需下载内容。除了常见的缩略图预览之外，Dropbox 还提供交互式预览界面，可供用户共享文件和共同编辑文件，包括添加批注和标记其他用户。
我们的内部系统 Riviera 负责安全地生成文件预览，它可以处理数百种支持的文件类型的预览。它可以将各种内容转换操作链接在一起，创建适合特定文件类型的预览。例如，Riviera 可以将 PDF 文档的某一页栅格化，在 Dropbox 的 Web 界面中显示高分辨率的预览。完整内容的预览功能支持批注和共享之类的交互。大型图片可以转换成缩略图，以供在各种情况中显示给用户，包括搜索结果或文件浏览器。
在 Dropbox 的规模下，Riviera 每天需要处理数十 PB 的数据。为了加快某些类别的大型文件的预览，Riviera 会提前生成预览，并缓存预览结果（此过程称为预热）。由于我们支持的文件量非常巨大，因此预热消耗的 CPU 与存储也非常可观。
图：浏览文件时的缩略图预览。预览可以被放大，
并作为应用程序文件的代理与用户交互。
我们看到采用机器学习可以降低这些成本，因为有些预生成的内容从不会有人查看。如果我们可以有效地预测某个预览是否会被使用，则只需预热我们确信一定会被查看的文件，从而节省计算和存储空间。我们的这个项目名叫 Cannes（戛纳），这个名字的灵感来自法国戛纳电影节。
机器学习的利弊权衡
在预览的优化过程中，机器学习的两项折衷决定了我们的指导原则。
第一个挑战是权衡机器学习为基础设施带来的成本效益。减少预热的文件可以节省成本，无人不喜欢，但也有可能漏掉一些文件，造成不良的用户体验。如果缓存中没有相应的文件预览，则 Riviera 需要动态地生成预览，而在这期间用户只能等待。我们与预览团队合作开发出了一种预防措施，防止用户体验降级，并通过这种预防措施来调整模型，以合理的方式节省费用。
另一个需要权衡的是复杂性和模型的性能 vs. 可解释性和部署的成本。通常，你需要权衡机器学习的复杂性与可解释性：通常模型越复杂，预测就越准确，但代价是可解释性会降低，你很难解释为何得出了这样的预测，而且部署的复杂性可能也会增加。在第一次迭代中，我们的目标是尽快提供可解释的机器学习解决方案。
由于 Cannes 是在现有系统内新构建的机器学习应用程序，因此我们偏向于使用一种比较简单且可以解释的模型，这样我们就可以在研究更复杂的模型之前，集中精力建立模型、指标以及报告。如果出现问题，或 Riviera 出现意外行为，机器学习团队也能够进行调试，并了解是 Cannes 的原因还是其他问题。我们的解决方案必须相对简单且成本低廉，因为我们每天都需要部署将近 5 亿个请求。目前的系统只能预热所有的可预览文件，因此任何改进都可以节省成本，而且越快越好！
Cannes v1
考虑到这些权衡之后，我们选择了一个简单、易于训练且易于解释的模型。第一版的模型是一个梯度提升分类器，训练时采用了文件扩展名、存储了文件的 Dropbox 账号类型，以及该账号最近 30 天的活动等作为输入特征。在离线预留数据上训练时，我们发现该模型经过预热后，预测的预览准确率可以在最多 60 天内超过 70%。该模型拒绝了预留数据中大约 40%的预热请求，并且性能在我们为自己设定的预防指标以内。假阴性的数量很少，假阴性指的是我们预测不会被查看、但最终在接下来的 60 天内被查看的文件，一旦出现这种情况，我们就需要动态生成预览。我们估算了一下成本：“拒绝百分比”- 假阴性，结果发现每年可以节省 170 万美元。
在探索预览优化之前，我们想确保节省的成本能够超过构建机器学习解决方案的成本。我们大致估算了一下 Cannes 项目可以节省的成本。在大型分布式系统中设计和部署机器学习系统，你需要考虑系统的变化随着时间的推移对你的估计产生的影响。我们希望初始的模型尽量简单，这样一来即使相邻系统发生一些很小的变化，成本的影响也不会出现数量级的变化。通过分析训练好的模型，可以让我们更好地了解第一版实际可以节省的成本，并确认这项投资是值得的。
我们利用内部的功能开关服务 Stormcrow，在 Dropbox 流量 1%的随机样本上，针对模型进行了 A / B 测试。我们验证了模型的准确率和预热“节省”的成本符合我们离线分析的结果，这是个好消息！由于 Cannes v1 不再预热所有符合条件的文件，因此我们知道预计缓存命中率会下降。在实验期间，我们观察到缓存命中率比 A / B 测试中的对照组低了几个百分点。尽管百分比下降了，但总体的预览延迟基本上保持不变。
我们非常关心尾延迟（第 90 个百分位数以上的请求延迟），因为缓存未命中会导致尾延迟过高，进而严重地影响用户的预览功能。然而，我们并没有观察到预览尾延迟或总体延迟明显上升，这很让人欣慰。这次实时测试让我们信心大增，我们决定将 v1 模型部署到更多 Dropbox 流量。
大规模的实时预测
我们需要一种方法，当某个文件进入预热路径时，实时地告诉Riviera该文件是否需要预热。为了解决这个问题，我们将 Cannes 构建成了预测流水线，负责提取与文件相关的信号，并将其发送给模型，供模型预测未来使用预览的可能性。
图：Cannes的架构
从Rivieraprewarm path（预热路径）接收文件 ID。Riviera 会收集所有可进行预热的文件 ID。（Riviera可以预览 Dropbox 存储的大约 98%的文件。只有很少一部分文件的文件类型不支持，或无法预览。）Riviera 发送一条预测请求，其中包含需要预测文件 ID 以及文件类型。
获取实时信号。为了收集预测期间文件的最新活动信号，我们使用了一个名为“Suggest Backend”（建议后台）的内部服务。该服务会验证预测请求，然后查询与该文件相关的信号。信号存储在 Edgestore（Dropbox 主要的元数据存储系统）或 User Profile Service（RocksDB 数据存储，负责聚合Dropbox 活动信号）中。
将信号编码为特征向量。收集到的信号会被发送到 Predict Service（预测服务），由该服务将信号编码为表示文件所有相关信息的特征向量，然后将这个向量发送给模型进行评估。
生成预测。模型使用特征向量，返回该文件可能会被预览的概率。接着，这个预测结果会被发送回 Riviera，并由 Riviera 预热未来 60 天内可能会被预览的文件。
记录请求的相关信息。SuggestBackend（建议后台）会记录下特征向量、预测结果和请求状态，这些都是调查性能下降和延迟问题的关键信息。
其他考虑事项
减少预测延迟很重要，因为上述管道位于 Riviera 预热功能的关键路径上。例如，当将这个模型扩展到 25%的流量时，我们观察到了一些极端的情况，导致建议后台的可用性降低到了内部 SLA 以下。
经过分析后，我们发现上述第 3 步出现了超时的问题。因此，我们改进了特征编码处理，并优化了预测路径上的几个问题，降低了这些极端情况下的尾延迟。
优化机器学习
在推出机器学习模型的过程期间（及其之后），我们非常注重稳定性，并确保不会对预览界面的用户体验产生负面影响。多个层面的监视和警报是部署机器学习的关键组成部分。
Cannesv1 的指标
预测服务基础设施的指标：共享系统有自己内部的 SLA，主要都是围绕正常运行时间和可用性。我们依靠 Grafana 等现成的工具进行实时监控和发送警报。我们监控的指标包括：
建议后台与预测的可用性。
用户个人资料服务的数据新鲜度。
预览指标：我们有一些预览性能方面的关键指标，即预览延迟分布。我们保留了3%的存档数据，用于比较使用 Cannes 与不使用 Cannes 两种情况下的预览指标，以防止模型漂移或可能会降低模型性能的系统变化。Grafana 是一款应用程序级指标的通用解决方案。主要指标包括：
预览延迟分布（使用 Cannes 与不使用 Cannes），需要特别注意第 90 个百分比以上的延迟。
缓存命中率（使用 Cannes 与不使用 Cannes）：缓存命中总数/预览内容的总请求数量。
模型性能指标：我们为机器学习团队使用的 Cannes v1 的模型建立了指标，并建立了自己的流水线来计算这些指标。我们关心的指标包括：
混淆矩阵，尤其需要注意假阴性率的变化。
ROC 曲线下的面积：虽然我们直接监视了混淆矩阵的统计信息，但我们也希望计算 AUROC，以便将来比较模型的性能。
上述模型性能指标每小时计算一次，并存储在 Hive 中。我们使用 Superset 来可视化重要的指标，并创建了一个 Cannes 的实时变化仪表板。Superset 是在各项指标的基础之上构建的，如果底层模型行为发生变化，它会赶在客户受到影响之前主动通知我们。
然而，仅凭监视和警报不足以确保系统健康，明确责任并建立上报问题的流程也是必要的。例如，我们记录了机器学习系统的上游依赖项，因为它们可能影响到模型的结果。此外，我们还创建了一个手册，详细介绍了解决问题的步骤，帮助值班的工程师判断问题来自 Cannes 内部还是其他的其他部分，并提供了在根本原因是机器学习模型的情况下，上报问题的流程。机器学习团队与非机器学习团队之间的紧密合作有助于确保 Cannes 的平稳运行。
目前的状况与未来的探索
目前 Cannes 已部署到几乎所有的 Dropbox 流量中了。结果，我们每年 170 万美元的预热成本变成了如今每年 9,000 美元的机器学习基础设施（主要用于建议后台和预测服务的流量增加）。
对于该项目的下一个迭代，我们有许多期待的探索方面。如今 Cannes 已投入生产，我们可以尝试更为复杂的模型类型。我们还可以根据更详细的内部费用和使用情况数据，为模型开发更细致的成本函数。
我们还讨论过新建一个预览应用程序，通过机器学习更细致地控制预测决策，而不是针对每个文件进行预热/不预热的二元分类。我们可以通过具有预见性的预热来发挥更大的创造力，降低成本，同时又不会破坏用户的文件预览体验。
我们希望将 Cannes 项目积累的经验和工具推广到 Dropbox 的其他基础设施。利用机器学习优化基础设施是一个振奋人心的投资领域。
参考链接：https://dropbox.tech/machine-learning/cannes--how-ml-saves-us--1-7m-a-year-on-document-previews
