struggle against cross-domain data complexity in recruit group

Struggle against cross-domain data complexity in Recruit group

リクルートテクノロジーズ松﨑遥(Haruka Matsuzaki)

(C) Recruit Technologies Co.,Ltd. All rights reserved.

アジェンダ

1.リクルート運営サービスのご紹介

2.横断データと技術的負債

3.フレームワークプロジェクト

4.HDP2.5・Kafka・Spark

5.結論 “On Happiness”

2


話者紹介

3

職務

学歴

~前職

所属

氏名

Recruit Technologies ITS統括部ビッグデータ部IDPoint領域 FrameworkTL (兼務：Holdings)

松﨑遥

東京大学大学院広域科学研究科複雑系科学

assembler→c++/qt→ObjC/tclTk→php/js→iOS→Java/js/css/Haskell→Lucene/Hadoop→Spark/Scala

開発：リコメンデーションジョブ自動生成 ETL


ライフイベント領域

進学

就職

結婚

転職

住宅購入

車購入

出産/育児

旅行

IT/トレンド

生活/地域情報

グルメ・美容

ライフスタイル領域

選択・意思決定を支援する情報サービスの提供「まだ、ここにない、出会い。」を実現する

リクルート運営サービスのご紹介


リクルートID

一人ひとりにあった最適な情報を提供し、皆様の選択や行動を支える存在となることを目指す


リクルートIDとは


リクルートIDが使えるサービス①


リクルートIDが使えるサービス②


「リクルートポイント」の「Pontaポイント」へ


アジェンダ

1.弊社と運営サービスのご紹介


3.「フレームワークプロジェクト」



10


横断データ活用：フェーズ

ID基盤が整いデータが増加し、我々は成長期の真っ只中

爆発的な成長を目指すが・・・技術的負債が顕在化

11

黎明期成長期

・効果額・施策数・利用者数

貢献価値


黎明期：基本戦略

各サービスから各種データを収集、DWH/Datalakeに蓄積し活用

12

DWH横断データ活用施策


黎明期：データ統合

サイト毎の仕様差異の吸収個人情報のマスキング重複や欠損のクリーニング…

13

DWH

0001

0002

0003

0004


黎明期：経営戦略指標

横断データ活用への最初の要求は、経営陣からの「経営指標」の集計

14

Query

DWH


黎明期：定常化運用

有用なものは日次/月次実行する”資産”となり、加速度的に増加

15

≒1000 Queries

run everyday

Query

DWH


黎明期：機械学習の開始

DMTを機械学習の学習データとして転用

16

Another

Data

DWH


黎明期：機械学習の加速

17

DWH

Prepared

Data1

Prepared

Data2

MLlib

次々と機械学習アルゴリズムを変えるため、データ間の依存度が加速


Source

DWH DMT APP

黎明期：出来上がったシステム

18

“DMT”

users

DWH MLlibDWH

0001

0002

0003

0004


黎明期〜成長期：システム運用

19

DWH MLlibDWH

0001

0002

0003

0004Change

prediction

corrupt

Change Change

more

users

Bigger

DMT

more

data

source

We changed

log spec!

bug

mism

atch

halt

mism

atchrerun!

more

work


考察

20

なぜ仕事が増えるのか？

DWH DMT APP

開発業務の増加・クエリ複雑化・依存性複雑化・再発明・リカバリ・仕様変更対応

運用業務の増加・Hadoop等バグ調査・各サイト繁忙期のデータ負荷対応・リソース不足・データ転送

待ちの増加・機械学習用DMT開発における低再利用性・DMT処理時間待ち・アルゴリズム変更に伴う入力仕様変更


技術的負債の溜まり場

黎明期に描かれた古典モデルの破綻?

21

DWH DMT APP


構造的問題への対処：シフト

合理的な判断の結果、問題が生まれている

22

DMTへの投資システム成長DMTへの投資DMTへの投資DMTへの投資期待・投資

① 黎明期：急成長・利用者の増加・投資金額 etc…

技術的負債

外部要因：プレッシャー

etc…

② 成長期：鈍化・ムダな業務の増加・運用負荷 etc…

歯止め


アジェンダ






23


フレームワークプロジェクト(var/log)

技術的負債を徹底的に排除するためのコードベース(jar)

24

Integrate software resources & unlocktheir full potential

“Absolute DRY”common process auto generated

DSL for processing typically structured

data of Recruit

Codebase


哲学=「ありものは使わない」

外部ソリューションや、オープンソースフレームワークへの導入を試すも・・・

• 視野が狭まる

• 機能不足・バグ/オーバースペック

• ジョブ移行コストの膨大さ

• 「リクルートだけの問題」

方針

1.長い道のりだけど、自分で作ろう。

2.本当にあらゆる面で優れた製品があったら、道を譲ろう。

25


技術的負債のブレークダウンとソリューション：

26

• 最適なMW• 隠蔽

制約

• DI

AOP

• 共通化

Code生成

DRY Plugin

SpeedSimple

重複コードが多い再利用の属人化・不徹底

1つのMW上での無理な実装設計の不在・無秩序


DRY(Don’t repeat yourself)

• コンポーネント + コード生成

27

補完前

Loading

Mahout

Saving

xml 補完後

RecommendUser (Int)Item (Int)

DictionaryUserId (Int)

User (String)

DictionaryItemId(Int)

Item(String)

InputUserId (Int)ItemId(Int)

Loading

Mahout

Saving

Indexing

Format


Simple

• DASE ”MVC for Data Science”

• それ以外は極力隠蔽

28

<data/> <algorithm/> <serving/> <evaluation/>

xml .Jar

Loading

Query

Query

RDD+Scala

Jar内部で判定• 次のAlgorithmは何？• データ量はどのくらい？• 過去の判定結果は？

MR

ParallelQuery

Hdfs+External


.Jar

Plugin

DIコンポーネントのAutowire/AOPにより以下の機能は自動実行

• 件数カウント

• メール送信

• ログ+グラフ化

• クエリ解析+ステップ補完

• クエリセッション設定・ヒント

29


Speed

• JDBC, Hive, Hbase, MapReduce, Elasticsearch…

• 普通のJavaでHDFSにRead/Write

• Pojoを渡せばAvro実装

• Templates & Callbacks

• Spring Batch - スレッド標準実装

• Spring Boot + Maven - 既存知識の活用

30

各MWの特性を理解する + 最適なMWを利用するハードル(転送・学習)を0に

HiveServer

• Debugability on local machine

• No Need to move jars on cluster (v.v UDFs)


プロジェクト完了!?

半年後、var/logは完成し、最初のvar/logジョブをリリース

その後、新規ジョブはvar/log上に実装

31


アジェンダ






32


フレームワークプロジェクト第2章

半年後var/logは完成し、運用に乗ったが、２通りの社内顧客を発見

1. [High-end Customers]ニーズ : 速度・定常運用・生産性

2. [Early Adopters]ニーズ : 最新論文・実験・Lean

２分割開発体制への移行を決定

33

Business Engineer

Scientist Engineer

コードは使い捨てデータがあり動けばいい

最適化・リファクタはとりあえずあとで

・・・


Move onto Agility

34

DWH DMT APP

DWH DMT Production

pubsub

Sandbox

Business

Engineer

Scientist

Everyone


Early Adopter向け機能とは何か

ニーズ：さあ、実験をしよう。

1. 秒単位の応答性能

2. その場の思いつきを実データに適用

• 新しいライブラリ・・・

• 新しい特徴量・・・

• 新しい数式・・・

• 新しい自作関数・・・

3. そのままリリース

→ jar + xml configuration ではない

35


import varlog.jar on Zeppelin

36

.Jar

その場で作った自作関数(動作確認後varlog.jarにコミット)

データ抜きだし・加工


back to xml

.scalaFile

<scala> xml-tag

autodeploy

37

Release Notes as a Job

.Jar

Zeppelinで動作すれば、xmlにコピーして自動リリースも可能


PUBSUBシステム構成

38

Pub

-sub

DAORDD

xml

DWH

Another

Data

Hadoop

elastic

Job

Powered by hdp2.5

Why

Kafka?


Background Data Store: Kafka

Kafkaとは？

• publish & subscribe方式の分散データストア

利点

1. ビッグデータシステム間のトポロジー構造の単純化

2. 高速なスループット

3. Sparkとの接続性

39


Kafka 1) トポロジー構造の単純化

Jay Kreps(the original author of Kafka)によれば・・・

40

<<

トポロジーが複雑＝システム間のデータ転送が多い状況

ex) HBase→Hive, Hive→Oracle, Oracle→Hive, Oracle→Elastic, Prod→Sand…

Before


Kafka 2) 高いスループット性能

put=4000件/秒=11.0MB〜14000件/秒

get=10000件/秒=31.7MB (no OS pagecache)

MessageSize=3kB, Broker=1で上記性能。チューニング・スケールアウトも可

開発環境をローカルVMに構築

41


狙い：最適なシステムの統合による高速化

通常ETLジョブ：全てのSQLがLoad/Join/Function/Persist処理を全部実行。役割分担無し

42

L J F PL J F P L J F P

L/J処理を集約後SparkでF/P処理を実行。明確な役割分担

• DWH：Join,GroupByのみ

• Kafka：Sparkのメモリへのロードのみ

• Spark：ScalaFunction再利用のみ

DWH

EXA

elastic

Hadoop

L

LJ J J

F

P

P

P

L


Kafka 3) Sparkとの接続

OracleやHive内のデータ加工関数のモジュラリティは低い。scalaの関数をjarからExport

43

.Jar

Before：

After：

select case when t.name in (‘a’) then 1

SQL

id num

u1 1

u2 2

u3 3

DMT

publicfunctions

def func

implict class A(RDD)

mapRow

hiveUdf

scala

Reusablily


“秒”レスポンスの検証

特徴量加工+データを1件覗く

1秒

44

特徴量加工+Reduce

53秒

特徴量加工+train+predict

169秒(50万件)

さらに負荷

306秒(Depth = 30)

ある画面の1週間のImpressionが約50万件。Task「RandomForestでクリック予測」

• overhead: spark=5sec Mllib=120sec

• Spark Memory: 6G/192G

• Kafka Bytes Out: 5G (Throughput: 100M/sec)

Total 300 sec

Kafka 50 ML min 120 ML ext 140〜

Grafana


インタラクティブ：MobProgrammingにも最適

45

チーム全体が同じことを、同じ時に、同じ場所で、

同じコンピュータ上で作業するソフトウェア開発アプローチ

Agile原則(抜粋)• フェース・トゥ・フェース ”ワイガヤ環境”• 動くコードの2週間でのリリース• 難しい判断を要する設計の自己組織的決定• 動くコードでデモすることによる活発な議論

を促進


アジェンダ






46


我々が今目指している環境について

47

Analysis Ops

Engineering

Study

Idea

tryScientist


Workflow Change : Happy Analytics

Before：

After：

48

.Jar

Scientist

Scientist

HBase Hive Oracle

sqoop

“accessible data”• 実験• 生産性• 共同作業• 即時性/インタラクティブ性

Java

・・・


最後に

49

Join,

facebook

是非、データサイエンティストの働きやすい環境へ!

struggle against cross-domain data complexity in recruit group

Technology