Налаштування feature store на Feast: єдині ознаки для навчання та продакшену

Налаштовую та супроводжую ML feature store на Feast, щоб ваші моделі бачили однакові ознаки і під час навчання, і в реальному часі. Розбіжність між навчанням і продакшеном (training/serving skew) зазвичай виникає непомітно: офлайн-пайплайн і онлайн-сервіс рахують одну й ту саму ознаку трохи по-різному, а виринає це вже у просілих метриках, коли шукати причину довго й дорого. Я прибираю цілий клас таких помилок — кожна ознака описується один раз і віддається з єдиного джерела істини.

У роботу входить повний цикл: опис сутностей та ознак, офлайн-сховище для історичних даних під навчання, онлайн-сховище для видачі з низькою затримкою і point-in-time коректні join-и, щоб у навчальну вибірку не витікали дані з майбутнього. Налаштовую пайплайни завантаження, розклад матеріалізації та моніторинг застарівання і дрейфу ознак. Усе під контролем версій і повністю відтворюване.

На виході ви отримуєте охайний реєстр ознак, який команда перевикористовує між проєктами, швидший шлях від експерименту до продакшену та збіжні цифри з обох боків. Можу почати з нуля або розібрати наполовину зібране сховище, і докладно документую кожен крок, щоб далі ви вели його самі.