Karma\u015f\u0131k makine \u00f6\u011frenimi s\u0131ralama modellerini do\u011frudan arama motorunuza yerle\u015ftirebildi\u011finizi ve harici \u00e7\u0131kar\u0131m hizmetlerini ve bunlarla ili\u015fkili a\u011f gecikmesini tamamen atlayabildi\u011finizi hayal edin? Swiggy’deki geli\u015ftiricilerin otomatik tamamlama \u00f6nerileri i\u00e7in ba\u015fard\u0131\u011f\u0131 tam olarak budur; statik kurallar\u0131n \u00f6tesine ge\u00e7erek milisaniyenin alt\u0131nda h\u0131zlarda \u00f6nemli \u00f6l\u00e7\u00fcde daha alakal\u0131 sonu\u00e7lar sunarlar. Bu, yaln\u0131zca AI kodu \u00fcretmekle ilgili de\u011fildir; AI ara\u00e7lar\u0131n\u0131n temel \u00fcr\u00fcn deneyimlerine nas\u0131l entegre edilebilece\u011fini temelden yeniden d\u00fc\u015f\u00fcnmek, onlar\u0131 daha h\u0131zl\u0131 ve ak\u0131ll\u0131 hale getirmekle ilgilidir.<\/p>\n
Uzun zamand\u0131r, ger\u00e7ekten ak\u0131ll\u0131 bir otomatik tamamlama sistemi olu\u015fturmak, Yaz\u0131l\u0131m Geli\u015ftiriciler i\u00e7in bir \u00f6d\u00fcnle\u015fme gibi g\u00f6r\u00fcn\u00fcyordu. Temel s\u00f6zc\u00fcksel e\u015fle\u015ftirmeye ve dikkatlice elle ayarlanm\u0131\u015f, statik kurallar k\u00fcmesine g\u00fcvenerek \u0131\u015f\u0131k h\u0131z\u0131nda yan\u0131tlar elde edebilirdiniz. Ya da makine \u00f6\u011frenimini kullanarak geli\u015fmi\u015f alaka d\u00fczeyi hedefleyebilirdiniz, ancak bu genellikle ek hizmetler, a\u011f ge\u00e7i\u015fleri ve harici bir \u00e7\u0131kar\u0131m motoruyla gelen ka\u00e7\u0131n\u0131lmaz gecikme ek y\u00fck\u00fcn\u00fc getirmek anlam\u0131na gelirdi. Bu gecikme, otomatik tamamlama i\u00e7in \u00f6zellikle ac\u0131 vericidir; burada her tu\u015f vuru\u015fu an\u0131nda, alakal\u0131 bir \u00f6neri gerektirir.<\/p>\n
Bu geleneksel yakla\u015f\u0131m genellikle geli\u015ftiricileri \u00f6d\u00fcnle\u015fim yapmaya zorlad\u0131. M\u00fchendislik ekibi, kenar durumlar\u0131n\u0131 ele almak i\u00e7in sadece sezgisel kurallar\u0131 iyile\u015ftirmek, a\u011f\u0131rl\u0131klar\u0131 ayarlamak ve karma\u015f\u0131k mant\u0131\u011f\u0131 s\u00fcrd\u00fcrmek i\u00e7in haftalarca, hatta aylarca harcayabilir – bu k\u0131r\u0131lgan ve zaman alan bir s\u00fcre\u00e7tir. Bir ML modeli *tan\u0131t\u0131ld\u0131\u011f\u0131nda*, tipik olarak \u00e7ekirdek arama motorunun d\u0131\u015f\u0131nda ya\u015fard\u0131, kendi da\u011f\u0131t\u0131m hatt\u0131, \u00f6l\u00e7eklendirme hususlar\u0131 ve bir API u\u00e7 noktas\u0131 gerektirirdi. Bu, mimari karma\u015f\u0131kl\u0131\u011f\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rd\u0131 ve genellikle basit bir arama sorgusu olmas\u0131 gereken \u015feyi \u00e7ok hizmetli bir orkestrasyon zorlu\u011funa d\u00f6n\u00fc\u015ft\u00fcrd\u00fc. Yaz\u0131l\u0131m Geli\u015ftirici’nin g\u00fcnl\u00fck \u00e7al\u0131\u015fmas\u0131 \u00fczerindeki etkisi a\u00e7\u0131kt\u0131: y\u00f6netilecek daha fazla altyap\u0131, ar\u0131za potansiyeli olan daha fazla nokta ve alaka d\u00fczeyi sorununa odaklanmak i\u00e7in daha az zaman.<\/p>\n
Swiggy’nin at\u0131l\u0131m\u0131 bu ikilemi tamamen atl\u0131yor. \u00d6\u011frenilmi\u015f bir s\u0131ralama modelini do\u011frudan OpenSearch i\u00e7ine entegre ederek, geleneksel iki a\u015famal\u0131 ‘al, sonra s\u0131rala’ i\u015flemini son derece optimize edilmi\u015f, motor i\u00e7i bir i\u015fleme indirgediler. Bu, geli\u015fmi\u015f s\u0131ralama i\u00e7in kullan\u0131lan g\u00fc\u00e7l\u00fc modellerin art\u0131k OpenSearch’in kendisindeki ilk aday \u00fcretimiyle birlikte \u00e7al\u0131\u015fabilece\u011fi anlam\u0131na gelir. Yaz\u0131l\u0131m Geli\u015ftirici i\u00e7in bu, basitle\u015ftirilmi\u015f mimari, dramatik \u00f6l\u00e7\u00fcde azalt\u0131lm\u0131\u015f gecikme ve makine \u00f6\u011frenimi modellerini, arama dizin yap\u0131land\u0131rmalar\u0131na uygulayabilecekleri \u00e7eviklikle yineleme ve da\u011f\u0131tma yetene\u011fi anlam\u0131na gelir. Onlar\u0131 tipik mimari y\u00fck\u00fc olmadan ger\u00e7ekten uyarlanabilir ve ak\u0131ll\u0131 arama deneyimleri olu\u015fturmalar\u0131 i\u00e7in g\u00fc\u00e7lendirir.<\/p>\n
Oto tamamlama alaka d\u00fczeyini iyile\u015ftirmekle g\u00f6revli bir Yaz\u0131l\u0131m Geli\u015ftirici i\u00e7in tipik i\u015f ak\u0131\u015f\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcn:<\/p>\n
ML’yi do\u011frudan OpenSearch’e entegre etmeden \u00f6nce:<\/p>\n
Bir geli\u015ftirici, h\u0131zl\u0131 aday \u00fcretimi sa\u011flayan ilk s\u00f6zc\u00fcksel al\u0131m i\u00e7in OpenSearch’i yap\u0131land\u0131r\u0131rd\u0131. Makine \u00f6\u011frenimini uygulamak isteselerdi, daha sonra ayr\u0131 bir hizmet olu\u015ftururlard\u0131, belki de bir XGBoost modelini bar\u0131nd\u0131ran bir Python uygulamas\u0131. Bu hizmet, ilk adaylar\u0131 al\u0131r, ger\u00e7ek zamanl\u0131 sinyaller i\u00e7in bir \u00f6zellik deposunu sorgular, ML modelini uygular ve sonu\u00e7lar\u0131 geri g\u00f6ndermeden \u00f6nce yeniden s\u0131ralard\u0131. A\u011f gecikmesi ve \u00e7\u0131kar\u0131m s\u00fcresi dahil olmak \u00fczere bu gidi\u015f-d\u00f6n\u00fc\u015f, her tu\u015f vuru\u015fu i\u00e7in kolayca 20-50 milisaniye ekleyebilir – bir kullan\u0131c\u0131ya yava\u015f hissettirecek kadar.<\/p>\n
Harcanan zaman, iki ayr\u0131 sistemi ve aralar\u0131ndaki a\u011f s\u00f6zle\u015fmesini y\u00f6netmeye harcan\u0131rd\u0131.<\/p>\n
ML’yi LTR ile do\u011frudan OpenSearch’e entegre ettikten sonra:<\/p>\n
Geli\u015ftirici hala ayn\u0131 \u015feyi yapar…<\/p>\n