সেলফি ছাড়িয়ে: Roblox-এর বয়স-নিশ্চিতকরণ ব্যবস্থা কীভাবে বয়স যাচাইকে সর্বদা হালনাগাদ রাখে

Roblox-এর ফেসিয়াল এজ এস্টিমেশন সিস্টেম ৩৩৮ মিলিয়ন বয়স-যাচাই রেকর্ড প্রক্রিয়াকরণ করেছে, যাতে Roblox ব্যবহারকারীরা প্ল্যাটফর্মে বয়স-উপযুক্ত চ্যাট আনলক করতে এবং বয়স-উপযুক্ত গেমে প্রবেশ করতে পারে। প্রাথমিক বয়স যাচাই প্রয়োজনীয়, তবে সেলফিতেই বয়স নিশ্চিতকরণ শেষ হয় না। অ্যাকাউন্টগুলো শেয়ার করা যেতে পারে বা ছোট ভাইবোনকে হস্তান্তর করা যেতে পারে। দুষ্কৃতকারীরা আমাদের প্রতিরক্ষা পরীক্ষা করার চেষ্টা করতে পারে। সময়-নির্দিষ্ট সংকেতের বাইরে বয়স নিশ্চিতকরণকে এগিয়ে নিতে, আমরা একটি উচ্চ-ক্ষমতাসম্পন্ন এমএল স্তর তৈরি করেছি যা মূল্যায়ন করে যে কোনো অ্যাকাউন্টের চলমান আচরণ সময়ের সাথে সাথে এর অনুমানকৃত বয়সের সাথে এখনও মেলে কিনা। আমাদের বৈশিষ্ট্য-স্তরের মডুলার ডিজাইন দক্ষ মডেল আপডেট এবং পরিবর্তিত আচরণগত নিদর্শনের সাথে দ্রুত অভিযোজনকে সক্ষম করে। 

আমাদের এন্ড-টু-এন্ড বয়স-নিশ্চিতকরণ ওয়ার্কফ্লো নির্ভরযোগ্যভাবে পরিচালনা করা এমএল চ্যালেঞ্জের মতোই একটি বিতরণকৃত সিস্টেম চ্যালেঞ্জ। বয়স অনুমান নিজেই একটি কঠিন এমএল সমস্যা, কারণ বয়সের সীমানা আচরণের কোনো খাড়া ঢাল নয়। পিতামাতারা তাদের সন্তানের মতো একই অভিজ্ঞতা উপভোগ করতে পারেন, এবং ভাষা সংস্কৃতি, প্রেক্ষাপট, সম্প্রদায় এবং বয়সের সাথে সাথে পরিবর্তিত হয়। কোনো একক আচরণগত সংকেতই সময়ের সাথে এবং শত্রুপূর্ণ চাপের মধ্যে পরিবর্তিত সূক্ষ্ম আচরণগত নিদর্শনগুলো নির্ভরযোগ্যভাবে ধারণ করতে পারে না। এমনকি আমাদের সবচেয়ে শক্তিশালী গ্রাউন্ড ট্রুথ লেবেলগুলোও নির্বাচিত জনগোষ্ঠী থেকে আসে এবং পক্ষপাত থাকতে পারে।

Roblox-এর স্কেলে পরিচালিত হলে অতিরিক্ত জটিলতা যুক্ত হয়। প্রতিটি দৈনিক ইনফারেন্স চক্রে, আমরা প্ল্যাটফর্ম জুড়ে আচরণগত সংকেত একত্রিত করি, প্রতিটি ওয়ার্কলোডের জন্য সবচেয়ে উপযুক্ত কম্পিউট স্ট্যাকের সাবমডেল চালাই, এবং তাদের আউটপুটগুলোকে এক ক্যালিব্রেটেড অনুমানে একত্রিত করি। আমাদের মডেলগুলো ঐতিহ্যবাহী এমএল ক্লাসিফায়ার থেকে শুরু করে ৩০০ মিলিয়নেরও বেশি প্যারামিটারযুক্ত বহু-ভাষিক ট্রান্সফরমার পর্যন্ত বিস্তৃত। সিস্টেমটি প্রতিদিন প্রায় দুই বিলিয়ন অ্যাকাউন্ট-স্তরের রেকর্ড প্রক্রিয়া করে, যখন প্রশিক্ষণের জন্য প্রায় ৩০ মিলিয়ন উচ্চ-বিশ্বাসযোগ্যতার বয়স লেবেল ব্যবহার করা হয়।

সমগ্র সিস্টেমটি নিজস্বভাবে তৈরি করা আমাদেরকে স্বচ্ছতা এবং নিয়ন্ত্রণ প্রদান করে, যা গোপনীয়তার জন্য সমস্ত বৈশিষ্ট্য এবং সংকেত পর্যালোচনা করার জন্য প্রয়োজনীয়, এবং এটি একটি মূল নকশা-প্রয়োজনীয়তা। আমরা Roblox-নির্দিষ্ট সংকেতও ব্যবহার করতে পারি যা সময়ের সাথে সাথে একটি অ্যাকাউন্ট কীভাবে ব্যবহৃত হয় তা ধারণ করে—একটি স্বতন্ত্র বাহ্যিক অনুমানকারী নিজেই এই দীর্ঘমেয়াদী প্রেক্ষাপট পাবে না। এটি আমাদের সম্পূর্ণ ML জীবনচক্রের উপর নিয়ন্ত্রণও দেয়। আমরা বিভিন্ন পদ্ধতি উপলব্ধ হওয়ার সাথে সাথে সেগুলো একত্রিত করতে পারি, এবং Roblox নিরাপত্তা কর্মপ্রবাহের জন্য আউটপুট ক্যালিব্রেট করতে পারি, পাশাপাশি আচরণ পরিবর্তনের সাথে সাথে পৃথক উপাদানগুলি পর্যবেক্ষণ, নিয়ন্ত্রণ এবং আপডেট করতে পারি।

বয়স অনুমান করার জন্য সঠিক সংকেত নির্বাচন

খেলাধুলা, যোগাযোগ এবং প্ল্যাটফর্ম ইন্টারঅ্যাকশন প্যাটার্নে বিভিন্ন বয়স গ্রুপ Roblox-এ ভিন্নভাবে নেভিগেট করে। আচরণের বৈচিত্র্য ধরতে, আমরা আমাদের ইনপুটগুলোকে স্বতন্ত্র সিগন্যাল পরিবারে ভাগ করি:

• সামাজিক প্রেক্ষাপট: একজন ব্যবহারকারীর সামাজিক বৃত্তে সম্মিলিত ধরণ, যার মধ্যে রয়েছে তারা কার সাথে সংযুক্ত এবং কত ঘনঘন তারা যোগাযোগ করে।
• অভিজ্ঞানুভূতি: ব্যবহারকারীরা কী খেলেন তার বাইরেও তাদের কখন খেলেন, কতক্ষণ থাকেন, এবং সময়ের সাথে সাথে তাদের সম্পৃক্ততা কীভাবে পরিবর্তিত হয় তা ধারণ করে এমন সম্মিলিত নিদর্শন।
• অ্যাকাউন্ট এবং প্ল্যাটফর্ম কার্যকলাপ: প্ল্যাটফর্ম ব্যবহার এবং জীবনচক্র সংকেতের সমষ্টিগত নিদর্শন, যেমন অ্যাকাউন্টের মেয়াদকাল, কার্যকলাপের ঘনত্ব, এবং সেশন-স্তরের আচরণ।
• যোগাযোগের ধরণ: মডেল-ভিত্তিক সারসংক্ষেপ যা বয়স-সংক্রান্ত ভাষা ব্যবহারের ধরণ উপস্থাপন করে, এবং প্রসঙ্গ ও সময়ের সাথে যোগাযোগের ধরণ কীভাবে পরিবর্তিত হয় তা অন্তর্ভুক্ত করে।
• শিক্ষিত ব্যবহারকারী উপস্থাপনা: উচ্চ-স্তরের উপস্থাপনা যা বিস্তৃত ব্যবহারের ধরণ ধারণ করে। আমরা আমাদের ডিসকভারি এবং পার্সোনালাইজেশন এমএল দলের সাথে ঘনিষ্ঠভাবে কাজ করি; একই সমৃদ্ধ উপস্থাপনাগুলো, যা পূর্বাভাস দেয় যে ব্যবহারকারী পরবর্তী কী নিয়ে ব্যস্ত হতে পারে, সেগুলোকে পরবর্তীতে প্রশিক্ষণ দিয়ে বিস্তৃত বয়স-ব্যান্ডের পূর্বাভাসদাতা হিসেবে তৈরি করা যায়।

প্রতিটি সিগন্যাল পরিবারকে একটি মডেল দেওয়া হয় যা তার ডেটার আকৃতির সাথে খাপ খায়। বিরল, উচ্চ-মাত্রার একত্রিত সিগন্যালগুলি গ্র্যাজুয়েট-বুস্টেড ডিসিশন ট্রি (যেমন, XGBoost ক্লাসিফায়ার) দ্বারা পরিচালিত হয়; টেক্সট পরিচালিত হয় একটি সূক্ষ্ম-সংশোধিত বহুভাষিক ট্রান্সফরমার এনকোডার (mmBERT) দ্বারা; এবং ব্যবহারকারী উপস্থাপনাগুলি কিছু সংক্ষিপ্ত নিউরাল নেটওয়ার্ক (মাল্টিলেয়ার পারসেপট্রন)-এ সরবরাহ করা হয়। 

প্রতিটি সাবমডেল একই লক্ষ্য নির্ধারণ করে: বয়স ব্যান্ডের একটি সেটের উপর সম্ভাব্যতা বণ্টন। এরপর একটি গ্রেডিয়েন্ট-বুস্টেড মেটা-লার্নার সেই সম্ভাব্যতা ভেক্টরগুলোকে চূড়ান্ত ক্যালিব্রেটেড অনুমানে একত্রিত করে। 

আমরা ইচ্ছাকৃতভাবে এই সিদ্ধান্ত-স্তরের ফিউশন পদ্ধতিটি একক বৈশিষ্ট্য-স্তরের মডেলের পরিবর্তে বেছে নিয়েছি মডুলারিতা, গতিশীলতা এবং ব্যাখ্যাযোগ্যতার জন্য। সিস্টেমকে মডুলার করে তোলা আমাদেরকে পুরো সিস্টেম পুনর্নির্মাণ না করেই একটি সাবমডেল যোগ, পুনঃপ্রশিক্ষণ বা অবসর করার সুযোগ দেয়। এটি আমাদেরকে আরও দ্রুত সাড়া দিতে সাহায্য করে যখন আচরণগত নিদর্শনগুলি প্রাকৃতিক বিবর্তন বা প্রতিপক্ষের চাপের কারণে পরিবর্তিত হয়। ফিউশন লেয়ার প্রতিটি সাবমডেলের সর্বশেষ প্রচারিত আউটপুট পড়ে, যাতে এটি সেরা উপলব্ধ সংকেতগুলো ব্যবহার করতে পারে এবং কোনোটি অনুপস্থিত বা বিলম্বিত হলে সুন্দরভাবে অবনতি ঘটাতে পারে। যেহেতু প্রতিটি মোডালিটি একটি স্বতন্ত্র ইনপুট হিসেবে প্রবেশ করে, আমরা ট্র্যাক করতে পারি কোন সংকেত পরিবার সিদ্ধান্ত পরিবর্তনকে চালিত করছে, এবং আউটপুটগুলো ডাউনস্ট্রিম ব্যবহারের আগে ক্যালিব্রেশন এবং কোয়ালিটি গেট প্রয়োগ করতে পারি।

আমরা ফিউশন লেয়ারে ক্যালিব্রেশন প্রয়োগ করি কারণ একটি নিরাপত্তা ব্যবস্থায়, বিশুদ্ধ নির্ভুলতার তুলনায় পূর্বানুমানযোগ্যতা বেশি গুরুত্বপূর্ণ। আমরা মডেলগুলোকে এমনভাবে ক্যালিব্রেট করি যাতে তারা আমাদের বিশ্বাসযোগ্য কনফিডেন্স স্কোর প্রদান করে। এভাবে, যদি কোনো পরবর্তী কর্ম একজন ব্যবহারকারীর উপর ব্যাপক প্রভাব ফেলে, তাহলে সিদ্ধান্ত গ্রহণের আগে আমরা আরও শক্তিশালী প্রমাণ এবং উচ্চতর কনফিডেন্স দাবি করতে পারি।

লেবেলে নির্বাচন পক্ষপাত

আমাদের সর্বোচ্চ-আত্মবিশ্বাসী লেবেলগুলো আসে সেই ব্যবহারকারীদের কাছ থেকে যারা একটি শক্তিশালী বয়স যাচাইকরণ সম্পন্ন করেছেন। এই লেবেলগুলো কার্যকর, তবে এগুলো Roblox ব্যবহারকারীদের একটি এলোমেলো নমুনা নয়। এমন একটি সিস্টেমের জন্য যা ব্যবহারকারীর অ্যাক্সেসকে প্রভাবিত করতে পারে, প্রতিনিধিত্বশীলতা প্রশিক্ষণের মূল উদ্দেশ্যের একটি অংশ। 

লেবেলকৃত জনসংখ্যা লক্ষ্যবস্তু জনসংখ্যা নয়। যারা শক্তিশালী বয়স যাচাই সম্পন্ন করে তারা বিস্তৃত জনসংখ্যা থেকে পদ্ধতিগতভাবে ভিন্ন। সেই গোষ্ঠীর উপর প্রশিক্ষিত একটি সরল মডেল বয়স শেখার পাশাপাশি কে প্রক্রিয়াটি সম্পন্ন করতে চায় তাও শিখতে পারে। সেই নির্বাচন পক্ষপাত কমাতে, আমরা প্রশিক্ষণ ও মূল্যায়ন ডেটা পুনরায় ওজন করি যাতে লেবেলকৃত নমুনাটি আমরা যে জনসংখ্যাকে স্কোর করতে চাই তা আরও ভালোভাবে প্রতিফলিত করে। 

আমরা ব্যবহারকারী গবেষণার সাথে আন্তঃবিভাগীয়ভাবে কাজ করি, ওজন নির্ধারণের জন্য জনসংখ্যা লক্ষ্য নির্ধারণে সহায়তার জন্য একত্রিত জরিপের ফলাফল ব্যবহার করি। সেখান থেকে, আমরা ইনভার্স প্রপেনসিটি ওয়েট্টিং এবং ইটারেটিভ প্রপোরশনাল ফিটিং—অথবা রেকিং—এর মতো কৌশল ব্যবহার করি, একক কোনো ফ্যাক্টরের জন্য সংশোধন করার পরিবর্তে একযোগে একাধিক মাত্রায় ওজনযুক্ত নমুনা সামঞ্জস্য করতে। 

প্রত্যেক উচ্চ-বিশ্বাসযোগ্যতা সম্পন্ন উৎসই ব্যবহারযোগ্য প্রশিক্ষণ উদাহরণ তৈরি করে না। একটি লেবেল কেবলমাত্র তার পেছনের যাচাইকরণ ঘটনার নির্ভরযোগ্যতার সমপরিমাণই বিশ্বাসযোগ্য। কিছু ঘটনাই এমন সংকেত বহন করতে পারে যা সেগুলোকে মডেল প্রশিক্ষণের জন্য অনুপযুক্ত করে তোলে, যেমন অস্বাভাবিক যাচাইকরণ প্যাটার্ন বা অ্যাকাউন্ট-অখণ্ডতা সংক্রান্ত উদ্বেগ। 

আমরা প্রশিক্ষণের আগে সততা-সচেতন লেবেল ফিল্টারিং বা কনফিডেন্ট লার্নিং-এর মতো লেবেল ত্রুটি সনাক্তকরণ পদ্ধতির মাধ্যমে লেবেলগুলো পরিষ্কার করার চেষ্টা করি, যাতে আচরণগত মডেলিং-এর জন্য বিতরণ-বহির্ভূত (out-of-distribution) মনে হওয়া উদাহরণগুলো সরিয়ে ফেলা যায়। প্রাথমিক পরীক্ষাগুলো দেখিয়েছে যে এই ধরনের পরিচ্ছন্নতা মডেলকে ওভারফিট হওয়া থেকে রক্ষা করতে সাহায্য করে এবং ধারাবাহিকভাবে কর্মক্ষমতা বৃদ্ধি করে।

প্রশিক্ষণ, ইনফারেন্স, এবং Roblox স্কেলে পক্ষপাত এড়ানো

ইনফারেন্সকে সিগন্যালগুলো তাজা রাখতে পর্যাপ্ত ঘনঘন চালাতে হয়, তবে প্রশিক্ষণের ছন্দ সিগন্যাল পরিবারের ওপর নির্ভর করে ভিন্ন হতে পারে। আমরা বৈশিষ্ট্য বিচ্যুতি, মডেলের স্থিতিশীলতা এবং মডেলের খরচ অনুযায়ী পুনঃপ্রশিক্ষণের সময়সূচি নির্বাচন করি। দ্রুত পরিবর্তিত বা অবনতিশীল একটি সিগন্যাল আরও ঘনঘন পুনঃপ্রশিক্ষণ পেতে পারে; ধীরগতিতে পরিবর্তনশীল কর্মক্ষমতার অধিক ভারী মডেল কম ঘনঘন বা চাহিদা অনুযায়ী পুনঃপ্রশিক্ষণ পেতে পারে। 

কম্পিউট স্ট্যাক কাজের লোডের আকৃতি অনুসরণ করে। আমরা বৃহৎ-স্কেল কাঠামোবদ্ধ রূপান্তরের জন্য Apache Spark, GPU-সমর্থিত কাজের লোডের জন্য Ray ফ্রেমওয়ার্ক, এবং রিয়েল-টাইম সিগন্যাল প্রক্রিয়াকরণের জন্য প্রোডাকশন ওয়ার্কার ব্যবহার করি। 

Roblox-এর স্কেলে, প্রতিদিন প্রতিটি অ্যাকাউন্টের সম্পূর্ণ ইতিহাস পুনর্নির্মাণ করাও ব্যবহারিক নয়। আমাদের ইন-হাউস ডেটা-প্রসেসিং ফ্রেমওয়ার্ক উচ্চ-ভলিউম সিগন্যালের জন্য সীমাবদ্ধ, রোলিং ইতিহাস বজায় রাখে এবং ব্যয়বহুল রূপান্তরগুলিকে ধাপে ধাপে বাস্তবায়ন করে। এর ফলে আমরা প্রতিদিন লক্ষ লক্ষ অ্যাকাউন্ট-স্তরের রেকর্ড প্রক্রিয়া ও একত্রিত করতে পারি, পাশাপাশি বড় সম্প্রসারণ, যোগ এবং ফিচার অ্যাগ্রিগেশনগুলিকে স্বতন্ত্রভাবে স্কেল করতে পারি। এই হাইব্রিড প্রোডাকশন ডিজাইন আমাদের ডেটা ওয়্যারহাউসের সাথে সরাসরি ইন্টিগ্রেশন, মডেল উপাদান জুড়ে পুনরুৎপাদনযোগ্য এক্সিকিউশন, এবং যেখানে প্রয়োজন সেখানে ত্বরান্বিত কম্পিউটের সুবিধা প্রদান করে।

আমাদের স্কেলে স্থিতিশীলতা বজায় রাখতে, আমরা আমাদের ফিচার পাইপলাইন জুড়ে দুটি কঠোর ডিজাইন সিদ্ধান্ত প্রয়োগ করি:

• উৎপন্ন বৈশিষ্ট্য সংরক্ষণ: আমরা সম্ভব হলে কাঁচা কার্যকলাপের প্রবাহের পরিবর্তে উৎপন্ন বৈশিষ্ট্য সংরক্ষণ করি। আমরা মডেলিংয়ের জন্য প্রয়োজনীয় সংকেত রাখি, এর পেছনের সম্পূর্ণ ইতিহাস নয়।
• একীভূত ডেটা চুক্তি: একই ডেটা চুক্তি প্রশিক্ষণ এবং ইনফারেন্স উভয়কেই সরবরাহ করে। এটি এমএল সিস্টেমে সবচেয়ে সাধারণ ব্যর্থতার একটি মোড হ্রাস করে: প্রশিক্ষিত এবং পরিবেশিত ডেটার মধ্যে অসামঞ্জস্য।

আমরা প্রোডাকশন জীবনচক্রের দুইটি ধাপে গেটিং ব্যবহার করি। প্রথমত, মডেল প্রচার (প্রমোশন) মডেল প্রশিক্ষণের থেকে আলাদা। একটি প্রার্থী মডেলকে প্রোডাকশন ইনফারেন্সের জন্য যোগ্য হওয়ার আগে গার্ডরেল চেক পাস করতে হয়। যদি কোনো প্রার্থী আমাদের গার্ডরেল চেকগুলোতে ব্যর্থ হয়, তাহলে পাইপলাইন প্রচারটি ব্লক করে এবং আমরা সর্বশেষ প্রচারিত সঠিক সংস্করণটিই সার্ভ করতে থাকি। 

দ্বিতীয়ত, ইনফারেন্স আউটপুটকে ডাউনস্ট্রিম প্রকাশের আগে গেট করা হয়। স্বয়ংক্রিয় চেকগুলি গুণগত অবনতি এবং বড় পূর্বাভাস-বিতরণ পরিবর্তনের জন্য পরীক্ষা করে। যদি কোনো চেক ব্যর্থ হয়, প্রকাশের ধাপটি ব্লক হয়ে যায়। ব্যবহারকারী-সন্মুখ নিরাপত্তা ওয়ার্কফ্লো-র সাথে সংযুক্ত একটি এমএল সিস্টেমে, "আজ কিছুই করবেন না" প্রায়ই একটি ব্যাখ্যাহীন বিতরণ পরিবর্তন পাঠানোর তুলনায় নিরাপদ ব্যর্থতা মোড।

সিস্টেম পরিমাপ 

এ ধরনের সিস্টেমের জন্য একটি একক সঠিকতার সংখ্যা খুব বেশি অর্থবহ নয়। আমরা র‌্যাঙ্কিং গুণমান, ক্যালিব্রেশন, সময়ের সাথে স্থিতিশীলতা এবং গুরুত্বপূর্ণ বয়স-সীমা সীমানার আশেপাশের আচরণ জুড়ে মডেলের গুণমান মূল্যায়ন করি। আমরা মূল্যায়ন ডেটার প্রতিনিধিত্বকেও পরিমাপ সমস্যার অংশ হিসেবে বিবেচনা করি, কারণ একটি সামগ্রিক উন্নতি তখনই কার্যকর হয় যখন এটি সেই জনগোষ্ঠীকে প্রতিফলিত করে যাদের সেবা দেওয়ার জন্য সিস্টেমটি তৈরি করা হয়েছে।

এই ওজনযুক্ত, সংরক্ষিত মূল্যায়ন ডেটাতে সংযুক্ত মডেলটি 0.9-এর বেশি গড় গড় নির্ভুলতা অর্জন করে। এর উচ্চ-বিশ্বাসযোগ্যতা অনুমানগুলোও দিন দিন সামঞ্জস্যপূর্ণ থাকে। ধারাবাহিক দিনে 99%-এর বেশি অনুমান একই বিস্তৃত বয়স-সীমার মধ্যে থাকে। 

আমরা আমাদের ট্রাস্ট অ্যান্ড সেফটি ওয়ার্কফ্লোয়ের মাধ্যমে প্রশিক্ষিত মানব পর্যালোচকদের দ্বারা তৈরি স্বাধীন গ্রাউন্ড ট্রুথের সাথেও মডেলটিকে তুলনা করি। উচ্চ বিশ্বস্ততার ক্ষেত্রে, মডেলের বয়স-ব্যান্ড অনুমান প্রাপ্তবয়স্কদের জন্য মানব ঐক্যমত লেবেলের সাথে ৮০%-এর বেশি সময় মিল রয়েছে। 

অফলাইন মূল্যায়ন একটি মাত্র স্তর। প্রোডাকশনে, ঋতু, পণ্য লঞ্চ এবং শত্রুতাপূর্ণ চাপের সাথে ব্যবহারকারীর আচরণ পরিবর্তিত হয়। এজন্যই আমরা আউটপুটগুলি পরবর্তী ধাপে ব্যবহারের আগে মডেল-মূল্যায়ন মেট্রিক্সের সাথে পূর্বাভাস বণ্টন, বিচ্যুতি এবং স্থিতিশীলতার চলমান পর্যবেক্ষণকেও যুক্ত করি। আমরা ফলো-আপ বয়স যাচাইয়ের ফলাফলও পর্যবেক্ষণ করি, যাতে প্রোডাকশন ফিডব্যাক মডেলের নির্ভরযোগ্যতা সম্পর্কে ধারণা দিতে পারে এবং কোথায় থ্রেশহোল্ড বা পর্যালোচনা পথ সামঞ্জস্য করা উচিত তা নির্দেশ করতে পারে।

পরবর্তী কী

এই সিস্টেমটি ইন-হাউসে থাকা আমাদেরকে Roblox-নির্দিষ্ট সংকেতগুলো নিরাপদে কাজে লাগাতে, অত্যন্ত কঠোরতায় পরিচালনা করতে এবং ক্রমাগত পুনরাবৃত্তি করতে দেয়।

আগামী দিনে, আমরা আমাদের সাবমডেল, ইনফারেন্স এবং পরিমাপ অপ্টিমাইজ করার দিকে মনোনিবেশ করছি। আমরা মডুলারিটি, ক্যালিব্রেশন, গোপনীয়তা এবং প্রোডাকশন গার্ডরেল-এর মতো আমাদের অপারেটিং নীতিগুলোর উপর ফোকাস রেখে প্রতিটি স্তরকে আরও এগিয়ে নিয়ে যাচ্ছি।