Magasin de fonctionnalités
Le premier magasin de fonctionnalités co-conçu avec une plateforme de données et un framework MLOps
Donnez à vos équipes data les moyens de lancer de nouvelles fonctionnalités, d'explorer et de réutiliser celles qui existent déjà, de publier des fonctionnalités sur des magasins en ligne à faible latence, de créer des datasets d'entraînement et d'extraire des valeurs des fonctionnalités à des fins d'inférence.
Les fonctionnalités deviennent des assets réutilisables
Le registre de fonctionnalités est un puissant index qui permet de rechercher des fonctionnalités, leur définition, leur source de données et leurs consommateurs, éliminant ainsi une grande part d'efforts redondants entre les équipes. Les data scientists, les analystes et les ingénieurs ML pourront rechercher des fonctionnalités en fonction des données brutes consommées pour les utiliser directement ou en créer des variantes.
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
Des fonctionnalités cohérentes pour l'entraînement et le service
Le fournisseur de fonctionnalités les sert de deux façons. Le mode batch délivre les fonctionnalités à un débit élevé pour entraîner des modèles de ML ou faire de l'inférence par batch. Le mode en ligne, à faible latence, est dédié au service de modèles et aux applications de BI qui consomment les fonctionnalités. Les fonctionnalités utilisées dans l'entraînement du modèle sont automatiquement tracées et elles lui sont associées. Au moment de l'inférence, le modèle récupère directement les fonctionnalités dans le magasin.
Des fonctionnalités sécurisées par une gouvernance intégrée
Les intégrations du magasin de fonctionnalités fournissent le lineage complet des données utilisées pour calculer les fonctionnalités. Les fonctionnalités sont associées à des ACL pour garantir un niveau de sécurité adéquat. Enfin, grâce à l'intégration de MLflow, les fonctionnalités sont stockées avec les modèles ML pour éviter toute dérive entre l'entraînement et le moment du service.
Des fonctionnalités cohérentes pour l'entraînement et le service
Le fournisseur de fonctionnalités les sert de deux façons. Le mode batch délivre les fonctionnalités à un débit élevé pour entraîner des modèles de ML ou faire de l'inférence par batch. Le mode en ligne, à faible latence, est dédié au service de modèles et aux applications de BI qui consomment les fonctionnalités. Les fonctionnalités utilisées dans l'entraînement du modèle sont automatiquement tracées et elles lui sont associées. Au moment de l'inférence, le modèle récupère directement les fonctionnalités dans le magasin.
Ressources
Événement virtuel
Demos
Documentation
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?