dropbox怎么用（iPad使用dropbox）

　　【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！
　　Cannesv1
　　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AB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Cannesv1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AB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Rivieraprewarmpath（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SuggestBackend（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UserProfileService（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PredictService（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Cannesv1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。techmachinelearningcanneshowmlsavesus17mayearondocumentpreviews