1773725890
2026-03-17 05:21:00
ヤベス・エリエゼル・マヌエル、Booking.com のシニア プリンシパル エンジニアが発表 Booking.com の AI 進化の裏側: 洗練されていないストーリー で QCon ロンドン 2026そこで彼は、Booking.com が過去 20 年間にどのように進化してきたか、また AI を導入する過程で直面した課題について話し合いました。
第20版に敬意を表して Qコン・ロンドンマニュエル氏は、2005 年のテクノロジーについて説明してプレゼンテーションを開始しました。特に、Motorola Razr V3 は人気のある携帯電話でした。 Web 2.0 が出現し始めていました。そしてBooking.comは9年目でした。
2005 年 2 月、Booking.com は最初のサービスを開始しました。 A/B テスト 1,000 を超える実験が並行して行われ、合計 150,000 の実験が行われました。ただし、成功率は 25% 未満であることが観察されました。マヌエルは、目標は正しくない、と述べた。それは早く学ぶためでした。これらの実験により、最終的にデータ駆動型 DNA が構築されました。
マニュエル氏のプレゼンテーションでは、データ管理、機械学習エンジニアリング、ドメイン インテリジェンスの 3 つの層について説明しました。
データ管理
Booking.com のオリジナルの技術スタックは、非同期レプリケーションと商用サポートを提供する Perl ライブラリと MySQL に基づいて構築されました。 2005 年にはマスター データベースが 1 つしかありませんでしたが、2020 年には約 6,800 のデータベース インスタンスに増加しました。また、専用のハードウェア、ストアド プロシージャ、ユニバーサル ディスク フォーマット (UDF)、データベース ビュー、キャッシュ レイヤーを持たないため、MySQL のセットアップも独特です。
マヌエル氏が特徴づけた彼らの「秘密のソース」は、Non-Volatile Memory Express (NVMe) ソリッド ステート ドライブに収まる小規模なデータベース (2TB 制限付き) で構成されていました。彼らは、350 マイクロ秒未満のポイント クエリを観察しました。
このモデルは、データが大きくなりすぎるまでは成功しました。これを解決するために、Booking.com は次のように追加しました アパッチ・ハドゥープ 分散ストレージと大規模な処理に対応します。 2011 年までに、同社は 2 つのオンプレミス Hadoop クラスターを所有し、それぞれに約 60,000 個のコアと 200 PB のハードディスク容量が含まれていました。
システムの亀裂が発見されるまで、Hadoop は長年にわたって機械学習パイプラインを強化していました。機械学習科学者の観点から見ると、これらの亀裂には次のものが含まれます。1 つの悪いクエリがクラスターを詰まらせるノイジーネイバー。 GPU はサポートされていません。そして、ピーク時に過負荷と停止を引き起こす容量の問題。 2018 年までに Hadoop を廃止することが決定されましたが、アップグレードして Hadoop から移行するプロセスには約 7 年かかりました。
Booking.com の移行戦略には 5 つのフェーズがありました。
- エコシステム全体をマッピングします。
- 使用状況を分析して範囲を縮小します。
- Google 検索を適用する ページランク アルゴリズム。
- 波状に移動します。
- Hadoop を段階的に廃止します。
マヌエル氏は、成功の鍵は統合された指揮センターにあると述べました。
機械学習エンジニアリング
Booking.com の機械学習スタックの進化は、2005 年の Perl ライブラリと MySQL から始まり、2025 年のエージェント システムまで続きました。 アパッチ・オージー Pythonを使って、 アパッチスパーク MLlib、H2O.ai、ディープラーニング、GenAI を使用します。
マヌエル氏は、2015 年は Booking.com にとって 2 つの中核的な問題を解決した極めて重要な年だったと主張しました。それは、大規模なオンライン推論を使用したリアルタイム予測です。トレーニングと推論のための特徴エンジニアリング。
2024 年の時点で、同社の現在の機械学習推論プラットフォームには 480 を超える機械学習モデルがあり、1 日あたり 4,000 億件の予測があり、レイテンシは 20 ミリ秒未満です。
ドメインインテリジェンス
マヌエル氏は、4 つのドメイン固有の機械学習プラットフォームとそれぞれのユースケースについて説明しました。最初の 3 つは次のとおりです。 ゲンアイ 旅行計画、スマート フィルター、レビューの概要を含むユースケース。 コンテンツインテリジェンス画像とレビューの分析とテキスト生成のための機械学習コンテンツハブで、ホテルの詳細なコンテンツなどのユースケースが含まれています。そして 推奨事項 顧客向けにパーソナライズされたコンテンツを表示するユースケースを紹介します。
ランキング、パーソナライズされたリアルタイム注文のための 4 番目のドメイン固有の機械学習プラットフォームは、より複雑なタスクでした。 Booking.com の 3 方向の最適化の課題には、選択肢と価値が含まれていました。露出と成長。そして効率と収益。
彼らの 2005 年のランキング公式は、予約や視聴数などのパラメーターと乱数関数を加えた単純な関数でした。彼らは、キャンセル、距離に基づくランキング、空室状況、ホテルの印象などの要素を考慮して計算式を進化させようとしました。彼らがランキングの計算式を機械学習に置き換えようとしたところ、インフラストラクチャの制限により、その計算式がマヌエル氏の特徴を借りて「無敵」であることが判明しました。
彼らの実験は通常 2 ～ 4 週間行われましたが、改善が求められました。彼らは、A/B テストの実験をインターリーブの手法を組み込むように適応させ、実験の各セットの 50% を基本的に 1 つの実験に織り交ぜました。これにより、より少ないトラフィックでより多くのバリアントが可能になりました。そこで、インターリーブで事前選択し、A/B テストで検証することにしました。
マヌエル氏は、ドメイン固有のプラットフォームがオーケストレーション層に対してどのように統合されているかについてプレゼンテーションを締めくくりました。
#QCon #London #Booking.com #の #進化の裏側 #洗練されていないストーリー