Настройка feature store на Feast: единые признаки для обучения и продакшена

Настраиваю и сопровождаю ML feature store на Feast, чтобы ваши модели видели одни и те же признаки и при обучении, и в реальном времени. Расхождение между обучением и продакшеном (training/serving skew) обычно возникает незаметно: офлайн-пайплайн и онлайн-сервис считают один и тот же признак чуть по-разному, а всплывает это уже в просевших метриках, когда искать причину долго и дорого. Я убираю целый класс таких ошибок — каждый признак описывается один раз и отдаётся из единого источника истины.

В работу входит полный цикл: описание сущностей и признаков, офлайн-хранилище для исторических данных под обучение, онлайн-хранилище для выдачи с низкой задержкой и point-in-time корректные джойны, чтобы в обучающую выборку не утекали данные из будущего. Настраиваю пайплайны загрузки, расписание материализации и мониторинг устаревания и дрейфа признаков. Всё под контролем версий и полностью воспроизводимо.

На выходе вы получаете аккуратный реестр признаков, который команда переиспользует между проектами, более быстрый путь от эксперимента к продакшену и совпадающие цифры с обеих сторон. Могу начать с нуля или разобрать наполовину собранное хранилище, и подробно документирую каждый шаг, чтобы дальше вы вели его сами.