Configurando um repositório de recursos no Feast: recursos unificados para treinamento e produção

Eu configurei e mantenho um repositório de recursos de ML no Feast para que seus modelos vejam os mesmos recursos durante o treinamento e em tempo real. O desvio de treinamento/serviço geralmente aparece sem ser notado: um pipeline offline e um serviço online computam o mesmo recurso de forma ligeiramente diferente, e isso se manifesta mais tarde em métricas degradadas quando o diagnóstico é caro e lento. Eu elimino toda essa classe de erros — cada recurso é definido uma vez e servido a partir de uma única fonte de verdade.

O trabalho inclui o ciclo completo: definições de entidade e recurso, repositório offline para dados históricos para treinamento, repositório online para serviço de baixa latência e junções corretas em tempo real para que os dados de treinamento não vazem do futuro. Eu configurei pipelines de carga, cronogramas de materialização e monitoramento para obsolescência e desvio de recursos. Tudo é controlado por versão e totalmente reproduzível.

Você obtém um registro de recursos limpo reutilizado em projetos, um caminho mais rápido do experimento à produção e números correspondentes em ambos os lados. Posso começar do zero ou consertar um repositório parcialmente construído, e documento cada passo em detalhes para que você possa mantê-lo depois.