Feature Store
A primeira Feature Store co-projetada com uma plataforma de dados e estrutura MLOps
![feature-store-img-11660758008](/en-website-assets/static/a0246ca8fa2d45394408ffa5faf0deda/feature-store-img-11660758008.png)
![Feature Store Architecture](/en-website-assets/static/d4c3fbb5da309e530247fec1b9e37283/feature-store-img-21660758008.png)
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.
![feature-store-img-31660758008](/en-website-assets/static/f5972d32b51a89cfa93175bfd38b5d7e/feature-store-img-31660758008.png)
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.
![feature-store-img-41660758008](/en-website-assets/static/42d8bfabe54f3cdfb0cf622b66e15a16/feature-store-img-41660758008.png)
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.
![feature-store-img-51660758008](/en-website-assets/static/588af9f2cb29c3fbca3d01fb4b1d4d97/feature-store-img-51660758008.png)
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
Evento virtual
![Virtual Event: Building Machine Learning Platforms](/en-website-assets/static/bac589c70150bc5926aa942d1f84e6ec/feature-store-61715972101.jpg)