在Lyft，我们使用一个内部特性服务来存储ML模型使用的批处理和流式处理特性，使它们可以在离线模式（用于训练）和在线模式（用于推理）下访问。该服务将这些特征复制到Elasticsearch中，实现高级查询。对于增长型产品，我们使用Elasticsearch来支持内部工具，比如我们的客户数据平台，它使团队能够根据无数特征定义用户群。

2020年，新的健康与安全和实时计划对我们以前的Elasticsearch SLA发起了挑战。随着每周不同用例的涌入，我们很快就超出了现有的集群，延迟增加，AWS成本飙升。在这篇文章中，我们将分享我们测量和改变与Elasticsearch交互的各种方法，从而最终降低了延迟和成本。

近年来，使用流处理作为一种数据处理技术以及为支持它而设计的框架已经变得无处不在，因为它在构建关键业务系统方面释放了巨大的潜力。在Lyft的Marketplace团队中，我们使用Apache Beam（Flink Runner）流处理框架来驱动我们的功能工程和模型执行协调工作。在过去的几年里，我们已经建立并扩展了几个管道，以极低的延迟处理实时事件。分享一些统计数据，我们每分钟为约300万gehashes生成约100个特征（每天约4000亿个特征）。

为了给我们一些需要黄金时间的关键产品提供动力（它是动态定价，以控制任何特定区域的需求和供应）或识别热点，我们重新设计了我们的架构，以依靠事件驱动的系统来提供实时洞察。在这一历程中，我们在尝试扩展平台时遇到了不少障碍。找出根源并解决这类问题的过程，让我们深入了解了如何设计一个无缝扩展的管道。我们正在开始这个系列，以涵盖每个人在设计数据密集型管道时应该注意的障碍。每篇文章都将涵盖独特类型的问题及其潜在的解决方案。

Lyft地图是建立在OpenStreetMap之上的。这个全球地图数据库被全球数百万人使用，用于应对气候变化、跟踪农业土地使用、灾难恢复、难民响应、学术研究等。经过16年的发展，OSM现在已经被许多公司普遍用于助力物流平台、社交媒体和游戏等应用。OSM是目前最大的人类地理空间知识的众包库。但这个地图是否适合支持乘车体验？它是现有的最佳选择吗？Lyft能不能支持OSM社区，为让地图变得更好做出贡献？虽然我们有很强的直觉，OSM提供了一个完整的道路网络，但我们不知道该地图与现实世界的匹配程度--因此我们进行了一项研究。

Machine learning based marketing automation to improve cost and volume efficiency in an ever-changing marketplace.

Dynamic pricing is the main technology that allows us to maintain market balance in real-time. If we were able to perfectly plan for the…

Back in the days when Lyft was a monolithic server architecture, all mobile clients relied on a core endpoint for fetching the state of…

In this blog post, we explain how Lyft predicts your destination when you open the Lyft app.

tl;dr: Test your web apps with both keyboards and screen readers, learn to love the WAI-ARIA guidelines, and always use accessible HTML…

By Marie Douriez, James Murphy, Kerrick Staley