تمت كتابة هذا المنشور بالاشتراك مع Suhyoung Kim ، المدير العام في KakaoGames Data Analytics Lab.
ألعاب Kakao هي ناشر ومطور لألعاب الفيديو ومقرها في كوريا الجنوبية. وهي متخصصة في تطوير ونشر الألعاب على الكمبيوتر الشخصي والجوال والواقع الافتراضي (VR) التي تخدم على مستوى العالم. من أجل تعظيم خبرة لاعبيها وتحسين كفاءة العمليات والتسويق ، فإنهم يضيفون باستمرار عناصر جديدة داخل اللعبة ويقدمون عروض ترويجية للاعبين. يمكن تقييم نتيجة هذه الأحداث بعد ذلك حتى يتخذوا قرارات أفضل في المستقبل.
ومع ذلك ، فإن هذا النهج هو رد الفعل. إذا تمكنا من توقع القيمة الدائمة (LTV) ، فيمكننا اتباع نهج استباقي. بمعنى آخر ، يمكن تخطيط هذه الأنشطة وتشغيلها بناءً على القيمة الدائمة المتوقعة ، والتي تحدد قيم اللاعبين خلال حياتهم في اللعبة. من خلال هذا النهج الاستباقي ، يمكن لألعاب Kakao إطلاق الأحداث المناسبة في الوقت المناسب. إذا كانت القيمة الدائمة المتوقعة لبعض اللاعبين تتناقص ، فهذا يعني أنه من المحتمل أن يغادر اللاعبون قريبًا. يمكن لألعاب Kakao بعد ذلك إنشاء حدث ترويجي لعدم مغادرة اللعبة. هذا يجعل من المهم التنبؤ بدقة بالقيمة الدائمة للاعبين. LTV هو القياس المعتمد ليس فقط من قبل شركات الألعاب ولكن أيضًا أي نوع من الخدمات مع مشاركة العملاء على المدى الطويل. يتم تطوير الأساليب الإحصائية وطرق التعلم الآلي (ML) واعتمادها بشكل نشط لتعظيم القيمة الدائمة.
في هذا المنشور ، نشارك كيف Kakao Games و مختبر أمازون لحلول التعلم الآلي تعاونت مع بعضها البعض لبناء حل تنبؤ قائم على القيمة الدائمة وقابل للتطوير وموثوق باستخدام بيانات AWS وخدمات التعلم الآلي مثل غراء AWS و الأمازون SageMaker.
اخترنا واحدة من أشهر ألعاب Kakao Games ، أودين، باعتبارها اللعبة المستهدفة للمشروع. ODIN هي لعبة لعب الأدوار متعددة اللاعبين عبر الإنترنت (MMORPG) لأجهزة الكمبيوتر والأجهزة المحمولة التي تنشرها وتشغلها Kakao Games. تم إطلاقه في يونيو 2021 وتم تصنيفه ضمن المراكز الثلاثة الأولى في الإيرادات في كوريا.
التحديات
في هذا القسم ، نناقش التحديات المتعلقة بمصادر البيانات المختلفة ، وانحراف البيانات الناجم عن الأحداث الداخلية أو الخارجية ، وإمكانية إعادة استخدام الحلول. عادة ما نواجه هذه التحديات عندما نطبق حلول ML ونشرها في بيئة إنتاج.
يتأثر سلوك اللاعب بالأحداث الداخلية والخارجية
من الصعب توقع قيمة LTV بدقة ، نظرًا لوجود العديد من العوامل الديناميكية التي تؤثر على سلوك اللاعب. وتشمل هذه العروض الترويجية للألعاب ، أو العناصر المضافة حديثًا ، أو العطلات ، أو حظر الحسابات بسبب إساءة الاستخدام أو اللعب غير القانوني ، أو الأحداث الخارجية غير المتوقعة مثل الأحداث الرياضية أو الظروف الجوية القاسية. هذا يعني أن النموذج الذي يعمل هذا الشهر قد لا يعمل بشكل جيد الشهر المقبل.
يمكننا استخدام الأحداث الخارجية مثل ميزات ML جنبًا إلى جنب مع السجلات والبيانات المتعلقة باللعبة. على سبيل المثال، توقعات الأمازون يدعم بيانات السلاسل الزمنية ذات الصلة مثل الطقس أو الأسعار أو المؤشرات الاقتصادية أو العروض الترويجية لتعكس الأحداث الداخلية والخارجية ذات الصلة. نهج آخر هو تحديث نماذج ML بانتظام عند ملاحظة انحراف البيانات. لحلنا ، اخترنا الطريقة الأخيرة لأن بيانات الأحداث ذات الصلة لم تكن متاحة ولم نكن متأكدين من مدى موثوقية البيانات الحالية.
إعادة التدريب المستمر لنموذج ML هي إحدى الطرق للتغلب على هذا التحدي من خلال إعادة التعلم من أحدث البيانات. لا يتطلب هذا ميزات جيدة التصميم وبنية ML فحسب ، بل يتطلب أيضًا إعداد البيانات وخطوط أنابيب ML التي يمكنها أتمتة عملية إعادة التدريب. خلاف ذلك ، لا يمكن تشغيل حل ML بكفاءة في بيئة الإنتاج بسبب التعقيد وضعف التكرار.
لا يكفي إعادة تدريب النموذج باستخدام أحدث مجموعة بيانات تدريبية. قد لا يعطي النموذج المعاد تدريبه نتيجة تنبؤ أكثر دقة من النتيجة الحالية ، لذلك لا يمكننا ببساطة استبدال النموذج بالنموذج الجديد دون أي تقييم. نحتاج إلى أن نكون قادرين على العودة إلى النموذج السابق إذا بدأ النموذج الجديد في الأداء الضعيف لسبب ما.
لحل هذه المشكلة ، كان علينا تصميم خط بيانات قوي لإنشاء ميزات ML من البيانات الأولية و MLOps.
مصادر بيانات متعددة
ODIN هي لعبة MMORPG حيث يتفاعل لاعبو اللعبة مع بعضهم البعض ، وهناك أحداث مختلفة مثل رفع المستوى وشراء العناصر وصيد الذهب (أموال اللعبة). تنتج حوالي 300 غيغابايت من السجلات كل يوم من أكثر من 10 ملايين لاعب في جميع أنحاء العالم. سجلات الألعاب من أنواع مختلفة ، مثل تسجيل دخول اللاعب ونشاط اللاعب ومشتريات اللاعب ومستويات اللاعب. هذه الأنواع من البيانات هي بيانات أولية تاريخية من منظور ML. على سبيل المثال ، تتم كتابة كل سجل بتنسيق الطابع الزمني ومعرف المستخدم ومعلومات الحدث. الفاصل الزمني للسجلات غير منتظم. أيضًا ، هناك بيانات ثابتة تصف اللاعبين مثل أعمارهم وتاريخ التسجيل ، وهي بيانات غير تاريخية. تتطلب نمذجة التنبؤ LTV هذين النوعين من البيانات كمدخلات لأنهما يكملان بعضهما البعض لتمثيل خصائص اللاعب وسلوكه.
بالنسبة لهذا الحل ، قررنا تحديد مجموعة البيانات المجدولة التي تجمع بين الميزات التاريخية والعدد الثابت للخطوات المجمعة جنبًا إلى جنب مع ميزات المشغل الثابت. يتم إنشاء الميزات التاريخية المجمعة من خلال خطوات متعددة من عدد سجلات اللعبة المخزنة فيها أمازون أثينا الجداول. بالإضافة إلى التحدي المتمثل في تحديد ميزات نموذج ML ، من الأهمية بمكان أتمتة عملية إنشاء الميزات حتى نتمكن من الحصول على ميزات ML من البيانات الأولية لاستدلال ML وإعادة تدريب النموذج.
لحل هذه المشكلة ، نقوم ببناء خط أنابيب استخراج وتحويل وتحميل (ETL) يمكن تشغيله تلقائيًا وبشكل متكرر للتدريب وإنشاء مجموعة بيانات الاستدلال.
قابلية التوسع في الألعاب الأخرى
تحتوي ألعاب Kakao على ألعاب أخرى بها اشتباكات طويلة الأمد للاعبين تمامًا مثل ODIN. وبطبيعة الحال ، فإن توقع LTV يفيد تلك الألعاب أيضًا. نظرًا لأن معظم الألعاب تشترك في أنواع سجلات متشابهة ، فإنهم يريدون إعادة استخدام حل ML هذا للألعاب الأخرى. يمكننا تلبية هذا المطلب باستخدام السجل والسمات المشتركة بين الألعاب المختلفة عند تصميم نموذج ML. لكن لا يزال هناك تحد هندسي. يجب إعادة بناء خط أنابيب ETL وخط أنابيب MLOps واستدلال ML في حساب AWS مختلف. النشر اليدوي لهذا الحل المعقد غير قابل للتطوير ومن الصعب الحفاظ على الحل المنشور.
لحل هذه المشكلة ، نجعل حل ML قابلاً للنشر التلقائي مع بعض تغييرات التكوين.
حل نظرة عامة
يتكون حل ML لتنبؤ LTV من أربعة مكونات: خط أنابيب ETL لمجموعة بيانات التدريب ، وخط أنابيب MLOps ، وخط أنابيب ETL لمجموعة بيانات الاستدلال ، واستدلال دفعة ML.
يُنشئ خط أنابيب التدريب والاستدلال ETL ميزات ML من سجلات اللعبة والبيانات الوصفية للاعب المخزنة في جداول Athena ، ويخزن بيانات الميزة الناتجة في خدمة تخزين أمازون البسيطة (Amazon S3) دلو. تتطلب ETL خطوات تحويل متعددة ، ويتم تنفيذ سير العمل باستخدام AWS Glue. يقوم MLOps بتدريب نماذج ML ، وتقييم النموذج المدرب مقابل النموذج الحالي ، ثم يسجل النموذج المدرب في سجل النموذج إذا كان يتفوق على النموذج الحالي. يتم تنفيذ كل هذه كخط أنابيب ML واحد باستخدام خطوط أنابيب Amazon SageMaker، وتدار جميع تدريبات ML عبر تجارب Amazon SageMaker. باستخدام SageMaker Experiments ، يمكن لمهندسي ML العثور على مجموعات بيانات التدريب والتقييم والمعلمات الفائقة والتكوينات التي تم استخدامها لكل نموذج ML أثناء التدريب أو لاحقًا. لم يعد مهندسو ML بحاجة إلى إدارة بيانات تعريف التدريب هذه بشكل منفصل.
العنصر الأخير هو الاستدلال الدفعي ML ، والذي يتم تشغيله بانتظام للتنبؤ بالقيمة الدائمة للقيمة للأسبوعين المقبلين.
يوضح الشكل التالي كيف تعمل هذه المكونات معًا كحل ML فردي.
تم تنفيذ بنية الحل باستخدام مجموعة تطوير سحابة AWS (AWS CDK) لتعزيز البنية التحتية كرمز (IaC) ، مما يسهل التحكم في الإصدار ونشر الحل عبر مختلف حسابات AWS والمناطق
في الأقسام التالية ، نناقش كل مكون بمزيد من التفصيل.
خط أنابيب البيانات لتوليد ميزة ML
تمر سجلات اللعبة المخزنة في أثينا المدعومة من Amazon S3 عبر خطوط أنابيب ETL التي تم إنشاؤها كوظائف Python shell في AWS Glue. إنه يتيح تشغيل نصوص Python النصية باستخدام AWS Glue لتفعيل الميزات لإنشاء مجموعة بيانات جاهزة للتدريب. يتم إنشاء الجداول المقابلة في كل مرحلة في أثينا. نستخدم AWS Glue لتشغيل خط أنابيب ETL نظرًا لبنيته التي لا تحتاج إلى خوادم والمرونة في إنشاء إصدارات مختلفة من مجموعة البيانات عن طريق تمرير تواريخ بدء وانتهاء مختلفة. تشير إلى الوصول إلى المعلمات باستخدام getResolvedOptions لمعرفة المزيد حول كيفية تمرير المعلمات إلى وظيفة AWS Glue. باستخدام هذه الطريقة ، يمكن إنشاء مجموعة البيانات لتغطية فترة قصيرة تصل إلى 4 أسابيع ، لدعم اللعبة في مراحلها الأولى. على سبيل المثال ، يتم تحليل تاريخ بدء الإدخال وتاريخ بدء التنبؤ لكل إصدار من مجموعة البيانات عبر الكود التالي:
تم تصميم وظائف AWS Glue وتقسيمها إلى مراحل مختلفة وتشغيلها بالتتابع. يتم تكوين كل وظيفة لتأخذ في الحجج الزوجية الموضعية والقيمة الرئيسية لتشغيل خطوط أنابيب ETL المخصصة. أحد المعلمات الرئيسية هو تاريخ البدء والانتهاء للبيانات المستخدمة في التدريب. ويرجع ذلك إلى أنه من المحتمل أن يمتد تاريخ بدء البيانات وانتهائها على فترات إجازات مختلفة ، ويعملان كعامل مباشر في تحديد طول مجموعة البيانات. لملاحظة تأثير هذه المعلمة على أداء النموذج ، أنشأنا تسعة إصدارات مختلفة من مجموعات البيانات (مع تواريخ بدء مختلفة وطول فترة التدريب).
على وجه التحديد ، أنشأنا إصدارات مجموعة بيانات بتواريخ بدء مختلفة (تم تغييرها بمقدار 4 أسابيع) وفترات تدريب مختلفة (12 أسبوعًا ، و 16 أسبوعًا ، و 20 أسبوعًا ، و 24 أسبوعًا ، و 28 أسبوعًا) في تسع قواعد بيانات أثينا مدعومة من Amazon S3. يحتوي كل إصدار من مجموعة البيانات على الميزات التي تصف خصائص اللاعب وبيانات السلاسل الزمنية لنشاط الشراء داخل اللعبة.
نموذج ML
اخترنا AutoGluon للتدريب النموذجي المنفذ مع خطوط أنابيب SageMaker. AutoGluon عبارة عن مجموعة أدوات للتعلم الآلي (AutoML). إنه يتيح AutoML سهل الاستخدام وسهل التوسيع مع التركيز على تجميع المكدس الآلي والتعلم العميق وتطبيقات العالم الحقيقي التي تشمل الصور والنص والبيانات الجدولية.
يمكنك استخدام AutoGluon المستقل لتدريب نماذج ML أو بالاشتراك مع Amazon SageMaker الطيار الآلي، إحدى ميزات SageMaker التي توفر بيئة مُدارة بالكامل لتدريب ونشر نماذج ML.
بشكل عام ، يجب عليك استخدام AutoGluon مع الطيار الآلي إذا كنت ترغب في الاستفادة من البيئة المدارة بالكامل التي توفرها SageMaker ، بما في ذلك ميزات مثل التدرج التلقائي وإدارة الموارد ، فضلاً عن سهولة نشر النماذج المدربة. يمكن أن يكون هذا مفيدًا بشكل خاص إذا كنت جديدًا في ML وتريد التركيز على التدريب وتقييم النماذج دون القلق بشأن البنية التحتية الأساسية.
يمكنك أيضًا استخدام AutoGluon المستقل عندما تريد تدريب نماذج ML بطريقة مخصصة. في حالتنا ، استخدمنا AutoGluon مع SageMaker لتحقيق تنبؤ على مرحلتين ، بما في ذلك تصنيف الانحدار وانحدار قيمة العمر. في هذه الحالة ، يعتبر اللاعبون الذين توقفوا عن شراء عناصر اللعبة على أنهم متخبطون.
دعنا نتحدث عن نهج النمذجة لتنبؤ LTV وفعالية إعادة تدريب النموذج مقابل أعراض انحراف البيانات ، مما يعني الأحداث الداخلية أو الخارجية التي تغير نمط شراء اللاعب.
أولاً ، تم فصل عمليات النمذجة إلى مرحلتين ، بما في ذلك التصنيف الثنائي (تصنيف اللاعب على أنه مخضض أم لا) ونموذج الانحدار الذي تم تدريبه للتنبؤ بقيمة LTV للاعبين غير المخضضين:
- المرحلة 1 - يتم تحويل القيم المستهدفة لـ LTV إلى تسمية ثنائية ،
LTV = 0
وLTV > 0
. تم تدريب AutoGluon TabularPredictor على تعظيم درجة F1. - المرحلة 2 - يتم استخدام نموذج الانحدار باستخدام AutoGluon TabularPredictor لتدريب النموذج على المستخدمين
LTV > 0
لانحدار LTV الفعلي.
أثناء مرحلة اختبار النموذج ، تمر بيانات الاختبار عبر النموذجين بالتتابع:
- المرحلة 1 - يعمل نموذج التصنيف الثنائي على بيانات الاختبار للحصول على التنبؤ الثنائي 0 (لدى المستخدم
LTV = 0
، مخضخض) أو 1 (وجود المستخدمLTV > 0
، لا مخضض). - المرحلة 2 - توقع اللاعبين
LTV > 0
انتقل من خلال نموذج الانحدار للحصول على قيمة LTV الفعلية المتوقعة. جنبا إلى جنب مع المستخدم توقع أنه لديهLTV = 0
، يتم إنشاء نتيجة توقع القيمة الدائمة النهائية.
يتم تخزين الأدوات النموذجية المرتبطة بتكوينات التدريب لكل تجربة ولكل إصدار من مجموعة البيانات في دلو S3 بعد التدريب ، كما يتم تسجيلها في SageMaker Model Registry ضمن تشغيل خطوط أنابيب SageMaker.
لاختبار ما إذا كان هناك أي انحراف في البيانات بسبب استخدام نفس النموذج الذي تم تدريبه على مجموعة البيانات الإصدار 1 (12 أسبوعًا بدءًا من أكتوبر) ، نقوم بتشغيل الاستدلال على مجموعة البيانات الإصدار 1 ، الإصدار 2 (تم تحويل وقت البدء إلى الأمام بمقدار 4 أسابيع) ، الإصدار 3 (تم نقله للأمام بمقدار 8 أسابيع) 4 أسابيع) ، وما إلى ذلك للإصدارين 5 و 0. يلخص الجدول التالي أداء النموذج. المقياس المستخدم للمقارنة هو minmax ، الذي يتراوح مداها بين 1-XNUMX. يعطي رقمًا أعلى عندما يكون توقع LTV أقرب إلى قيمة LTV الحقيقية.
إصدار مجموعة البيانات | نقاط Minmax | الفرق مع الإصدار 1 |
v1 | 0.68756 | - |
v2 | 0.65283 | -0.03473 |
v3 | 0.66173 | -0.02584 |
v4 | 0.69633 | 0.00877 |
v5 | 0.71533 | 0.02777 |
يُلاحظ انخفاض في الأداء في مجموعة البيانات v2 و v3 ، وهو ما يتوافق مع التحليل الذي تم إجراؤه على مناهج النمذجة المختلفة التي لها أداء متناقص على مجموعة البيانات v2 و v3. بالنسبة لـ v4 و v5 ، يُظهر النموذج أداءً مكافئًا ، كما يُظهر تحسنًا طفيفًا في الإصدار v5 دون إعادة تدريب النموذج. ومع ذلك ، عند مقارنة أداء النموذج v1 على مجموعة البيانات v5 (0.71533) مقابل أداء الطراز v5 على مجموعة البيانات الإصدار 5 (0.7599) ، تعمل إعادة تدريب النموذج على تحسين الأداء بشكل ملحوظ.
خط أنابيب التدريب
توفر SageMaker Pipelines طرقًا سهلة لإنشاء وإدارة وإعادة استخدام تدفقات عمل ML ؛ اختيار أفضل النماذج للنشر في الإنتاج ؛ تتبع النماذج تلقائيًا ؛ ودمج CI / CD في خطوط أنابيب ML.
في خطوة التدريب ، يتم إنشاء SageMaker Estimator باستخدام الكود التالي. على عكس مقدر SageMaker العادي لإنشاء وظيفة تدريبية ، فإننا نمرر جلسة خط أنابيب SageMaker إلى SageMaker_session
بدلاً من جلسة SageMaker:
يتم استرداد الصورة الأساسية عن طريق الكود التالي:
يمر النموذج المدرب بعملية التقييم ، حيث يكون المقياس المستهدف هو minmax. ستؤدي النتيجة الأكبر من أفضل نتيجة LTV minmax الحالية إلى خطوة تسجيل النموذج ، في حين أن درجة أقل من LTV minmax لن تؤدي إلى تحديث إصدار النموذج المسجل الحالي. يتم تنفيذ تقييم النموذج على مجموعة بيانات اختبار الانتظار كوظيفة معالجة SageMaker.
يتم تحديد خطوة التقييم من خلال الكود التالي:
عند اكتمال تقييم النموذج ، نحتاج إلى مقارنة نتيجة التقييم (minmax) بأداء النموذج الحالي. نحدد خطوة أخرى في خط الأنابيب ، step_cond
.
مع تحديد جميع الخطوات الضرورية ، يمكن إنشاء خط أنابيب ML وتشغيله باستخدام الكود التالي:
سير العمل بأكمله يمكن تتبعه وتصور بتنسيق أمازون ساجميكر ستوديو، كما هو موضح في الرسم البياني التالي. يتم تتبع وظائف تدريب ML بواسطة تجربة SageMaker تلقائيًا بحيث يمكنك العثور على تكوين تدريب ML ، والمعلمات الفائقة ، ومجموعة البيانات ، والنموذج المدرب لكل وظيفة تدريبية. اختر كل من الوحدات النمطية والسجلات والمعلمات والمخرجات وما إلى ذلك لفحصها بالتفصيل.
الاستدلال الآلي للدفعة
في حالة توقع LTV ، يُفضل الاستدلال الدفعي على الاستدلال في الوقت الفعلي نظرًا لاستخدام LTV المتوقع في مهام المصب في وضع عدم الاتصال بشكل طبيعي. تمامًا مثل إنشاء ميزات ML من مجموعة بيانات التدريب من خلال ETL متعدد الخطوات ، يتعين علينا إنشاء ميزات ML كمدخل لنموذج توقع LTV. نعيد استخدام نفس سير العمل في AWS Glue لتحويل بيانات اللاعبين إلى ميزات ML ، ولكن لا يتم تنفيذ تقسيم البيانات وإنشاء الملصق. يتم تخزين ميزة ML الناتجة في حاوية S3 المخصصة ، والتي تتم مراقبتها بواسطة ملف AWS لامدا مشغل. عندما يتم إسقاط ملف ميزة ML في حاوية S3 ، يتم تشغيل وظيفة Lambda تلقائيًا ، والتي تبدأ وظيفة تحويل الدُفعات من SageMaker باستخدام أحدث طراز LTV المعتمد والموجود في سجل نموذج SageMaker. عند اكتمال تحويل الدُفعة ، يتم حفظ المخرجات أو قيم LTV المتوقعة لكل لاعب في حاوية S3 حتى تتمكن أي مهمة من المهام النهائية من التقاط النتيجة. يتم وصف هذه العمارة في الرسم البياني التالي.
مع خط الأنابيب هذا الذي يجمع بين مهمة ETL والاستدلال الجماعي ، يتم تنفيذ توقع LTV ببساطة بتشغيل سير عمل AWS Glue ETL بانتظام ، مثل مرة واحدة في الأسبوع أو مرة واحدة في الشهر. يدير كل من AWS Glue و SageMaker مواردهما الأساسية ، مما يعني أن خط الأنابيب هذا لا يتطلب منك الاحتفاظ بأي مورد يعمل طوال الوقت. لذلك ، فإن هذه البنية التي تستخدم الخدمات المدارة فعالة من حيث التكلفة لمهام الدُفعات.
حل قابل للنشر باستخدام AWS CDK
يتم تعريف خط أنابيب ML نفسه وتشغيله باستخدام خطوط الأنابيب ، لكن خط أنابيب البيانات ورمز استنتاج نموذج ML بما في ذلك وظيفة Lambda خارج نطاق خطوط الأنابيب. لجعل هذا الحل قابلاً للنشر حتى نتمكن من تطبيق ذلك على ألعاب أخرى ، قمنا بتعريف خط أنابيب البيانات واستدلال نموذج ML باستخدام AWS CDK. بهذه الطريقة ، يتمتع الفريق الهندسي وفريق علوم البيانات بالمرونة لإدارة حل ML بالكامل وتحديثه والتحكم فيه دون الحاجة إلى إدارة البنية التحتية يدويًا باستخدام وحدة تحكم إدارة AWS.
وفي الختام
في هذا المنشور ، ناقشنا كيف يمكننا حل انحراف البيانات وتحديات ETL المعقدة من خلال بناء خط أنابيب بيانات مؤتمت وخط أنابيب ML باستخدام الخدمات المدارة مثل AWS Glue و SageMaker ، وكيفية جعله حل ML قابل للتطوير وقابل للتكرار ليتم اعتماده من قبل ألعاب أخرى تستخدم AWS CDK.
"في هذا العصر ، تعد الألعاب أكثر من مجرد محتوى. إنهم يجمعون الناس معًا ولديهم إمكانات وقيمة لا حدود لها عندما يتعلق الأمر بالاستمتاع بحياتنا. في Kakao Games ، نحلم بعالم مليء بالألعاب التي يمكن لأي شخص الاستمتاع بها بسهولة. نحن نسعى جاهدين لخلق تجارب حيث يرغب اللاعبون في الاستمرار في اللعب وإنشاء روابط من خلال المجتمع. ساعدنا فريق MLSL في بناء حل ML لتنبؤات LTV قابل للتطوير باستخدام AutoGluon لـ AutoML و Amazon SageMaker لـ MLOps و AWS Glue لخط أنابيب البيانات. يعمل هذا الحل على أتمتة إعادة تدريب النموذج على البيانات أو تغييرات اللعبة ، ويمكن نشره بسهولة في ألعاب أخرى عبر AWS CDK. يساعدنا هذا الحل في تحسين عمليات أعمالنا ، مما يساعدنا بدوره على البقاء في الصدارة ".
- SuHyung Kim ، رئيس مختبر تحليلات البيانات ، Kakao Games.
لمعرفة المزيد حول الميزات ذات الصلة بـ SageMaker و AWS CDK ، تحقق مما يلي:
مختبر أمازون ML Solutions
• مختبر أمازون ML Solutions يقرن فريقك بخبراء تعلم الآلة لمساعدتك في تحديد وتنفيذ فرص التعلم الآلي الأعلى قيمة لمؤسستك. إذا كنت ترغب في تسريع استخدامك لـ ML في منتجاتك وعملياتك ، فيرجى الاتصال بـ Amazon ML Solutions Lab.
حول المؤلف
سوهيونغ كيم هو المدير العام في KakaoGames Data Analytics Lab. إنه مسؤول عن جمع البيانات وتحليلها ، وخاصة الاهتمام باقتصاد الألعاب عبر الإنترنت.
موهيون كيم هو عالم بيانات في Amazon Machine Learning Solutions Lab. إنه يحل مشاكل العمل المختلفة للعملاء من خلال تطبيق التعلم الآلي والتعلم العميق ، ويساعدهم أيضًا على اكتساب المهارات.
شيلدون ليو هو عالم بيانات في مختبر حلول التعلم الآلي في أمازون. بصفته محترفًا خبيرًا في التعلم الآلي ماهرًا في تصميم حلول قابلة للتطوير وموثوق بها ، فهو يعمل مع عملاء المؤسسات لمعالجة مشاكل أعمالهم وتقديم حلول ML فعالة.
أليكس شيرايث مهندس أول لتعلم الآلة في Amazon ML Solutions Lab. يقود فرقًا من علماء ومهندسي البيانات لبناء تطبيقات الذكاء الاصطناعي لتلبية احتياجات العمل.
جونسو مون، AI / ML Specialist Solutions Architect في AWS ، عملوا معًا مع العملاء لحل مشكلات ML الخاصة بهم باستخدام خدمات AWS AI / ML. في الماضي ، كان لديه خبرة في تطوير خدمات التعلم الآلي في صناعة التصنيع وكذلك في نطاق واسع من تطوير الخدمات وتحليل البيانات وتطوير النظام في البوابة وصناعة الألعاب. في أوقات فراغه ، يتنزه جونسو ويلعب مع الأطفال.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/how-kakao-games-automates-lifetime-value-prediction-from-game-data-using-amazon-sagemaker-and-aws-glue/
- 10 مليون دولار
- 1
- 10
- 100
- 2021
- 28
- 7
- a
- ماهرون
- حول المستشفى
- سوء المعاملة
- تسريع
- حسابي
- الحسابات
- دقيق
- بدقة
- في
- بنشاط
- أنشطة
- نشاط
- وأضاف
- إضافة
- العنوان
- اعتمد
- مميزات
- تؤثر
- بعد
- ضد
- قدما
- AI
- AI / ML
- الكل
- أمازون
- آلة التعلم الأمازون
- مختبر أمازون ML Solutions
- الأمازون SageMaker
- من بين
- تحليل
- تحليلات
- تحليل
- و
- آخر
- أي شخص
- التطبيقات
- التقديم
- تطبيق
- نهج
- اقتراب
- من وزارة الصحة
- هندسة معمارية
- الحجج
- حول
- أسوشيتد
- سمات
- أتمتة
- الآلي
- الأتمتة
- أوتوماتيك
- تلقائيا
- AutoML
- متاح
- AWS
- غراء AWS
- الى الخلف
- المدعومة
- قاعدة
- على أساس
- لان
- يجري
- الفوائد
- أفضل
- أفضل
- السندات
- جلب
- نساعدك في بناء
- ابني
- الأعمال
- يستطيع الحصول على
- حقيبة
- تسبب
- تحدى
- التحديات
- تحدي
- تغيير
- التغييرات
- الخصائص
- التحقق
- أطفال
- اختار
- اختار
- تصنيف
- أقرب
- سحابة
- الكود
- الجمع بين
- الجمع بين
- مشترك
- مجتمع
- الشركات
- قارن
- مقارنة
- مقارنة
- تكملة
- إكمال
- مجمع
- تعقيد
- عنصر
- مكونات
- تتألف
- قلق
- الشروط
- الاعداد
- نظرت
- ثابتة
- التواصل
- يحتوي
- محتوى
- بشكل متواصل
- مراقبة
- تحول
- تحويلها
- المقابلة
- التكلفة
- استطاع
- زوجان
- بهيكل
- خلق
- خلق
- يخلق
- خلق
- خلق
- حرج
- حالياًّ
- زبون
- إشراك العملاء
- العملاء
- حسب الطلب
- البيانات
- تحليل البيانات
- تحليلات البيانات
- تحضير البيانات
- علم البيانات
- عالم البيانات
- قواعد البيانات
- قواعد البيانات
- التاريخ
- تمور
- يوم
- قررت
- القرارات
- عميق
- التعلم العميق
- تعريف
- تحديد
- نقل
- نشر
- نشر
- نشر
- نشر
- وصف
- تصميم
- محدد
- تصميم
- التفاصيل
- يحدد
- تحديد
- المتقدمة
- المطور
- تطوير
- التطوير التجاري
- الأجهزة
- مختلف
- ألعاب مختلفة
- مباشرة
- بحث
- ناقش
- منقسم
- لا
- حلم
- قطرة
- إسقاط
- أثناء
- ديناميكي
- كل
- في وقت مبكر
- بسهولة
- سهلة الاستخدام
- اقتصادي
- اقتصاد
- الطُرق الفعّالة
- فعالية
- كفاءة
- بكفاءة
- تمكن
- اشتباك
- مهندس
- الهندسة
- المهندسين
- استمتع
- مشروع
- البيئة
- معادل
- عصر
- خاصة
- تقييم
- تقييم
- تقييم
- حتى
- الحدث/الفعالية
- أحداث
- كل
- كل يوم
- مثال
- القائمة
- الخبره في مجال الغطس
- تمكنت
- خبرة
- تجربة
- خبرائنا
- خارجي
- استخراج
- f1
- واجه
- العوامل
- الميزات
- المميزات
- قليل
- الشكل
- قم بتقديم
- معبأ
- نهائي
- ثابت
- مرونة
- تركز
- متابعيك
- توقعات
- شكل
- إلى الأمام
- وجدت
- تبدأ من
- الوفاء
- تماما
- وظيفة
- مستقبل
- لعبة
- ألعاب
- الألعاب
- صناعة الألعاب
- جمع
- العلاجات العامة
- توليد
- ولدت
- توليد
- جيل
- دولار فقط واحصل على خصم XNUMX% على جميع
- منح
- يعطي
- على الصعيد العالمي
- غلوون
- Go
- يذهب
- ذهبي
- رسم بياني
- الثابت
- وجود
- رئيس
- مقرها الرئيسي
- مساعدة
- ساعد
- يساعد
- أعلى
- تاريخي
- العطل
- كيفية
- كيفية
- لكن
- HTML
- HTTPS
- صيد
- ID
- تحديد
- غير شرعي
- صورة
- التأثير
- تنفيذ
- نفذت
- استيراد
- أهمية
- تحسن
- تحسين
- تحسين
- in
- في أخرى
- في لعبة
- تتضمن
- بما فيه
- من مؤشرات
- العالمية
- معلومات
- البنية التحتية
- إدخال
- مثل
- بدلًا من ذلك
- دمج
- تفاعل
- داخلي
- IT
- العناصر
- نفسها
- وظيفة
- المشــاريــع
- كاكاو
- احتفظ
- القفل
- كيم
- نوع
- كوريا
- مختبر
- تُشير
- كبير
- أكبر
- اسم العائلة
- آخر
- إطلاق
- أطلقت
- قيادة
- يؤدي
- تعلم
- تعلم
- يترك
- الطول
- أوقات الحياة
- على الأرجح
- حياة
- تحميل
- طويل الأجل
- يعد
- الحجم الأدنى للفريق (LTV)
- آلة
- آلة التعلم
- المحافظة
- جعل
- يصنع
- القيام ب
- إدارة
- تمكن
- إدارة
- مدير
- كتيب
- يدويا
- كثير
- التسويق
- نطاق واسع
- تعظيم
- يعني
- البيانات الوصفية
- طريقة
- طرق
- متري
- ربما
- مليون
- ML
- MLOps
- الميديا
- الجوال
- أجهزة محمولة
- نموذج
- اختبار النموذج
- عارضات ازياء
- الوحدات
- مال
- مراقبة
- شهر
- الأكثر من ذلك
- أكثر
- الاكثر شهره
- متعددة
- متعدد
- ضروري
- حاجة
- إحتياجات
- جديد
- التالي
- عادي
- عادة
- عدد
- رصد
- شهر اكتوبر
- حاليا
- ONE
- online
- تعمل
- عمليات
- الفرص
- الأمثل
- طلب
- OS
- أخرى
- وإلا
- يتفوق
- تغلب
- أزواج
- المعلمة
- المعلمات
- مرور
- الماضي
- مسار
- نمط
- PC
- مجتمع
- أداء
- العروض
- فترة
- فترات
- منظور
- مرحلة جديدة
- اختيار
- خط أنابيب
- مخطط
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- بلايستشن
- لاعب
- لاعبين
- لعب
- من فضلك
- فقير
- الرائج
- بوابة
- منشور
- محتمل
- تنبأ
- وتوقع
- تنبؤ
- المفضل
- سابق
- الأسعار
- استباقية
- المشكلة
- مشاكل
- عملية المعالجة
- العمليات
- معالجة
- الإنتــاج
- المنتجات
- محترف
- تنفيذ المشاريع
- تعزيز
- الترويجية
- العروض
- HAS
- المقدمة
- ويوفر
- توفير
- نشرت
- الناشر
- نشر
- شراء
- مشتريات
- المشتريات
- بايثون
- نطاق
- المرتبة
- الخام
- العالم الحقيقي
- في الوقت الحقيقي
- واقع
- أدرك
- سبب
- الأخيرة
- تعكس
- تسجيل جديد
- مسجل
- سجلات
- التسجيل
- سجل
- بانتظام
- ذات صلة
- الخدمة الموثوقة
- تكرار
- مرارا وتكرارا
- يحل محل
- مثل
- تطلب
- المتطلبات
- يتطلب
- مورد
- الموارد
- مسؤول
- نتيجة
- مما أدى
- إيرادات
- يجري
- تشغيل
- sagemaker
- خطوط الأنابيب SageMaker
- نفسه
- تحجيم
- حجم
- التحجيم
- علوم
- عالم
- العلماء
- نطاق
- مخطوطات
- القسم
- أقسام
- مختار
- كبير
- مسلسلات
- خدمة
- Serverless
- الخدمة
- خدماتنا
- خدمة
- الجلسة
- حاد
- مشاركة
- قذيفة
- قصير
- ينبغي
- أظهرت
- يظهر
- بشكل ملحوظ
- مماثل
- الاشارات
- ببساطة
- عزباء
- ماهر
- So
- حل
- الحلول
- حل
- يحل
- بعض
- مصادر
- جنوب
- كوريا الجنوبية
- متخصص
- تتخصص
- انقسم
- رياضة
- كومة
- مراحل
- مستقل
- بداية
- ابتداء
- يبدأ
- إحصائي
- إقامة
- خطوة
- خطوات
- لا يزال
- توقف
- تخزين
- تخزين
- فروعنا
- السعي
- قوي
- هذه
- كاف
- دعم
- الدعم
- عرض
- SYS
- نظام
- جدول
- أخذ
- يأخذ
- حديث
- الهدف
- مهمة
- المهام
- فريق
- انظم
- فريق
- تجربه بالعربي
- الاختبار
- •
- العالم
- من مشاركة
- وبالتالي
- ثلاثة
- عبر
- الوقت
- السلاسل الزمنية
- الطابع الزمني
- إلى
- سويا
- أدوات
- تيشرت
- مسار
- تتبعها
- قطار
- متدرب
- قادة الإيمان
- دورات تدريبية
- القطارات
- تحول
- تحول
- يثير
- أثار
- صحيح
- منعطف أو دور
- أنواع
- عادة
- التي تقوم عليها
- غير متوقع
- تحديث
- تحديث
- us
- تستخدم
- مستخدم
- المستخدمين
- الاستفادة من
- استخدام
- قيمنا
- القيم
- مختلف
- الإصدار
- بواسطة
- فيديو
- لعبة فيديو
- افتراضي
- الواقع الافتراضي
- vr
- طرق
- الطقس
- أسبوع
- أسابيع
- التي
- كامل
- سوف
- في غضون
- بدون
- كلمات
- للعمل
- العمل معا
- عمل
- سير العمل
- عامل
- أعمال
- العالم
- مكتوب
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت