Struggle against crossdomain 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
MLli
b
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

Sou
rce
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
0004
Change
prediction
corrupt
Change Change
more
users
Bigger
DMT
more
data
source
We
changed
log spec!
bug
mis
matc
h
halt
mis
matc
h
rerun
!
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 & unlock
their 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
Recommend
User (Int)
Item (Int)
Dictionary
UserId (Int)
User (String)
Dictionary
ItemId(Int)
Item(String)
Input
UserId (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
Parallel
Query
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 Produ
ction
pub
sub
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
.scala
File
<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
DA
ORDD
xml
DWH
Another
Data
Hadoop
elasti
c
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
L
J 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
public
functions
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〜
Graphana

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
try
Scientist

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 crossdomain data complexity in Recruit Group

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to Struggle against crossdomain data complexity in Recruit Group (20)

More from DataWorks Summit/Hadoop Summit (20)

Struggle against crossdomain data complexity in Recruit Group

Editor's Notes