Feature Store
El primer almacén de características diseñado conjuntamente con una plataforma de datos y un marco MLOps
Dales a los equipos de datos la capacidad de crear nuevas características, explorar y reutilizar las existentes, publicar características en almacenes en línea de baja latencia, crear conjuntos de datos para entrenamiento y recuperar valores de características para la inferencia por lotes.
Las características son recursos reutilizables
Feature Registry proporciona un registro en el que se pueden buscar todas las características, su definición asociada, los datos fuente y sus consumidores, lo que elimina considerablemente la reelaboración entre los equipos. Los científicos de datos, analistas e ingenieros de ML pueden buscar características basándose en los datos brutos consumidos y usar las características directamente o bifurcar las 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
Características consistentes para entrenar y servir
Feature Provider proporciona las características de dos modos. El modo por lotes proporciona características con una gran capacidad de proceso para entrenar modelos de ML o inferencia por lotes. El modo en línea proporciona características con baja latencia para servir modelos de ML o para el uso de las mismas características en aplicaciones de inteligencia empresarial. Las características empleadas en el entrenamiento de modelos se rastrean automáticamente con el modelo y, durante la inferencia del modelo, el propio modelo las recupera directamente del almacén de características.
Asegura las características con gobernanza integrada
Las integraciones del almacén proporcionan el linaje completo de los datos utilizados para computar las características. Las características tienen ACL asociadas para garantizar el nivel adecuado de seguridad. La integración con MLflow garantiza que las características se almacenen junto con los modelos de ML, lo que elimina la deriva entre el momento de entrenamiento y el de servicio.
Características consistentes para entrenar y servir
Feature Provider proporciona las características de dos modos. El modo por lotes proporciona características con una gran capacidad de proceso para entrenar modelos de ML o inferencia por lotes. El modo en línea proporciona características con baja latencia para servir modelos de ML o para el uso de las mismas características en aplicaciones de inteligencia empresarial. Las características empleadas en el entrenamiento de modelos se rastrean automáticamente con el modelo y, durante la inferencia del modelo, el propio modelo las recupera directamente del almacén de características.
RECURSOS
Evento virtual
Libros electrónicos
Documentación
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.
¿Listo para empezar?