Feature Store
A primeira Feature Store co-projetada com uma plataforma de dados e estrutura MLOps
Forneça às equipes de dados a capacidade de criar novos recursos, explorar e reutilizar os que já existem, publicar recursos em lojas online de baixa latência, construir conjuntos de dados de treinamento e recuperar valores de recursos para inferência em batch.
Recursos como ativos reutilizáveis
O Feature Registry fornece um registro pesquisável de todos os recursos, sua definição associada, dados de origem e seus consumidores, eliminando um considerável retrabalho entre as equipes. Data scientists, analistas e engenheiros de ML podem pesquisar recursos com base nos dados brutos consumidos e usar os recursos diretamente ou bifurcar os recursos existentes.
Better recommendations for hundreds of millions of travelers start with better features. Feature Views cut our feature code dramatically — our data scientists go faster and focus on what drives traveler value, not how to compute it.
-- Jules Marshall, Senior Director, Product Management, Data
Recursos consistentes para treinamento e disponibilização
O Feature Provider disponibiliza os recursos em dois modos. O modo em batch fornece recursos de alto throughput para treinamento de modelos de ML ou inferência em batch. O modo online fornece recursos em baixa latência para disponibilizar modelos de ML ou para o consumo dos mesmos recursos em aplicações de BI. Os recursos usados no treinamento do modelo são automaticamente rastreados com o modelo e, durante a inferência do modelo, o próprio modelo os recupera diretamente da Feature Store.
Recursos seguros com governança integrada
As integrações da Feature Store fornecem a linhagem completa dos dados usados para calcular os recursos. Os recursos têm ACLs associados para garantir o nível certo de segurança. A integração com o MLflow garante que os recursos sejam armazenados com os modelos de ML, eliminando o drift entre o treinamento e o tempo de disponibilização.
Recursos consistentes para treinamento e disponibilização
O Feature Provider disponibiliza os recursos em dois modos. O modo em batch fornece recursos de alto throughput para treinamento de modelos de ML ou inferência em batch. O modo online fornece recursos em baixa latência para disponibilizar modelos de ML ou para o consumo dos mesmos recursos em aplicações de BI. Os recursos usados no treinamento do modelo são automaticamente rastreados com o modelo e, durante a inferência do modelo, o próprio modelo os recupera diretamente da Feature Store.
Recursos
Evento virtual
Demos
Documentação
Frequently Asked Questions
Databricks Feature Store is a managed platform for building, governing, and serving machine learning features across the full lifecycle, using either stream or batch data for real-time or batch inference. Features are authored with Feature Views, which define 'what' a feature is while managed pipelines handle 'how' it is computed, and a single API call materializes production-ready pipelines that write to both online and offline stores. It is integrated with Model Serving, MLflow, Genie Code, and Unity Catalog so features, training, and serving stay connected in one platform. Databricks describes this as enabling teams to build, train, and serve a model in hours rather than weeks.
Ready to get started?