Источник
Uber: Engineering Case Study
Конспект публичных материалов про оргмодель, инфраструктуру и AI-направление.
Источник
Uber: Engineering Case Study
Конспект публичных материалов про оргмодель, инфраструктуру и AI-направление.
Uber развивает инженерную модель под масштаб глобального real-time бизнеса: разделение Program/Platform команд, мультиоблачная стратегия, платформа деплоя для portable микросервисов и централизованный ML/GenAI контур.
1. Контекст и problem framing
Uber работает как глобальный real-time маркетплейс (Mobility + Delivery), где ключевая сложность не только в объеме нагрузки, но и в непрерывной координации сотен продуктовых потоков и инфраструктурных зависимостей.
Практический вопрос кейса: как сохранить скорость продуктовой разработки при масштабе 4k+ инженеров, тысяч микросервисов и активной миграции вычислений из inhouse в multicloud.
2. Оргмодель инженерии
Команды полностью владеют продуктовым контуром: клиентская часть, backend и метрики бизнес-успеха.
Фокус на универсальных платформах: инфраструктура, data, инструменты и инженерные стандарты для всех program-направлений.
С 2023 года это разделение закреплено и в leadership-структуре: отдельный контур product engineering и отдельный контур platform engineering.
3. Требования и масштабные предпосылки
Поддержка end-to-end продуктовых сценариев Mobility/Delivery с независимой эволюцией доменных сервисов.
Высокая доступность, предсказуемость релизов и управляемая операционная сложность в гетерогенной инфраструктуре.
4k+ инженеров, тысячи сервисов, сотни тысяч деплоев в неделю, multicloud (Google Cloud + Oracle Cloud) и миграция значительной части inhouse-наследия.
4. Архитектура: от монолита к cloud-portable микросервисам
- К 2016 году Uber декомпозировал монолит на множество сервисов по доменам.
- Появился большой inhouse-платформенный стек для оркестрации, хранения и observability.
- Часть доменов мигрировала в облако (например, Fulfillment на Spanner в GCP).
- После 2023 начался масштабный multicloud-переход (Google Cloud + Oracle Cloud).
Compute
Контейнеризация и оркестрация для независимого scale и частых релизов.
Data
Смесь доменных хранилищ, включая исторические MySQL-based решения и cloud DB.
Runtime portability
Единая модель деплоя для inhouse и cloud сред.
5. Deep Dive: платформа Up и инженерный scale
Primary Source
Up: Portable Microservices
Как Uber заменил legacy deployment систему на multicloud платформу.
Primary Source
Up: Portable Microservices
Как Uber заменил legacy deployment систему на multicloud платформу.
Переход от legacy µDeploy к платформе Up унифицировал delivery-путь: командам не нужно думать, где крутится сервис, потому что жизненный цикл одинаковый для inhouse и облака.
- Снижение операционной сложности для продуктовых команд.
- Масштабируемый rollout в multicloud без смены developer workflow.
- Ускорение миграции тысяч сервисов на новые инфраструктурные профили (включая Arm).
6. Deep Dive: AI/ML эволюция в Uber
Predictive ML: ETA, pricing, risk, первые DL-кейсы и запуск Michelangelo.
Deep Learning as first-class: унификация DL tooling и рост ML-трафика.
GenAI/LLMOps: gateway к внешним и внутренним моделям, единый operational контур.
Важно: Uber развивает AI не изолированно, а поверх зрелой платформы инженерных процессов, поэтому управление моделями встроено в общий production lifecycle.
7. Trade-offs архитектурной модели
- Плюс: program-команды быстрее доставляют ценность при платформенной поддержке.
- Плюс: multicloud повышает гибкость и переговорную позицию по cost/perf.
- Минус: растет сложность governance и стоимость платформенной интеграции.
- Минус: перенос inhouse наследия в облако требует длительного migration engineering.
Главный вывод: инженерия Uber это системный баланс между скоростью продуктовых изменений и платформенной стандартизацией, без которой масштаб и надежность real-time бизнеса не удержать.
Связанные главы
- Netflix: System Design Case Study
- Revolut: Strategy, Architecture, and Platform Automation
- Netflix: System Design Case Study
- Измерение инженерной продуктивности
Контекст
Воспоминания про Uber
Исторический фон, который помогает понять эволюцию текущей инженерной модели.
Контекст
Воспоминания про Uber
Исторический фон, который помогает понять эволюцию текущей инженерной модели.
Практический next step для вашей команды: оценить, где вы находитесь по осям `ownership`, `platform leverage`, `cloud portability`, `ML operational maturity`.