在 Feast 上设置特征存储：用于训练和生产的统一特征

我在 Feast 上设置并维护 ML 特征存储，以便您的模型在训练和实时中看到相同的特征。训练/服务偏差通常在不知不觉中出现：离线管道和在线服务稍微以不同的方式计算相同的特征，并且在诊断成本高且缓慢时，后期会在降级指标中显现。我消除了这一整类错误——每个特征只定义一次，并从单一的真实来源提供。

这项工作包括完整的周期：实体和特征定义，离线存储用于历史数据训练，在线存储用于低延迟服务，以及时间点正确的连接，以确保训练数据不会泄漏未来。我设置了负载管道、物化调度和特征陈旧性和漂移的监控。一切都经过版本控制，完全可重现。

您将获得一个干净的特征注册表，可在项目之间重用，从实验到生产的更快路径，以及两侧匹配的数字。我可以从头开始或修复一个半成品的存储，并详细记录每一步，以便您可以在之后进行维护。