Feature Stores: Feast und Tecton
Online- vs. Offline-Feature-Stores, Feature-Versionierung, Point-in-Time-Joins, Serving-Latenz.
Feature Stores: Feast und Tecton ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Das Feature-Store-Problem
Teams implementieren dieselben Features immer wieder neu, und Trainingspipelines berechnen sie anders als der Code für die Bereitstellung. Ein Feature Store zentralisiert Feature-Definitionen, Wiederverwendung und Bereitstellung und beseitigt dadurch doppelte Arbeit sowie Training-Serving-Skew.
Feast und Tecton
Zwei führende Feature Stores:
- Feast: Open Source, schlank und mit eigener Infrastruktur
- Tecton: kommerziell und verwaltet, mit Streaming-Feature-Pipelines und Governance
Beide verwenden die zentralen Konzepte von Entitäten, Features sowie Offline- und Online Stores.
Entitäten und Feature Views
Eine Entität ist das Objekt, das durch Features beschrieben wird, beispielsweise ein Benutzer oder ein Produkt. Eine Feature View gruppiert zusammengehörige Features einer Entität und verweist auf eine Datenquelle. Diese Definitionen werden im Code gespeichert und wie jedes andere Artefakt versioniert.
# A user entity with features:
# avg_purchase, days_since_signup, total_ordersfeast apply
feast apply registriert Ihre Definitionen für Entitäten und Feature Views in der Registry des Feature Stores. So erfährt der Store, welche Features existieren und woher ihre Daten stammen.
feast apply
# Registered entity user
# Registered feature view user_statsMaterialisierung
Bevor Features bereitgestellt werden können, müssen sie in den Online Store geladen werden. Bei der Materialisierung werden Feature-Werte bis zu einem bestimmten Zeitpunkt berechnet und in den Online Store (z. B. Redis) geschrieben, damit sie für Lesezugriffe mit geringer Latenz bereitstehen.
feast materialize
feast materialize erhält ein Start- und ein Enddatum und lädt die Feature-Werte für diesen Zeitraum in den Online Store. Sie führen den Befehl nach einem Zeitplan aus, damit die Online-Features aktuell bleiben.
feast materialize 2024-01-01T00:00:00 2024-01-31T00:00:00Online-Bereitstellung
Zum Zeitpunkt der Inferenz rufen Sie die neuesten Features für bestimmte Entitäten mit get_online_features ab. Dazu übergeben Sie entity_rows, die festlegen, für welche Entitäten die Daten abgerufen werden sollen. Der Befehl liefert innerhalb von Millisekunden die aktuellsten Werte zurück.
from feast import FeatureStore
store = FeatureStore(repo_path=".")
features = store.get_online_features(
features=["user_stats:avg_purchase", "user_stats:total_orders"],
entity_rows=[{"user_id": 123}],
).to_dict()Trainingsdaten erstellen
Für das Training verknüpfen Sie Feature-Werte mit historischen Labels. Der Feature Store liest aus dem Offline Store und liefert einen Datensatz zurück, der an den Zeitstempel jedes Labels ausgerichtet ist. So wird sichergestellt, dass die Trainingseingaben den Werten entsprechen, die bei der Bereitstellung verfügbar sein werden.
training_df = store.get_historical_features(
entity_df=labels_df, # has user_id and event_timestamp
features=["user_stats:avg_purchase"],
).to_df()Point-in-Time-Joins
Die wichtigste Garantie eines Feature Stores ist der Point-in-Time-Join: Für jedes Trainingslabel ruft er nur Feature-Werte ab, die zu diesem Label-Zeitstempel oder davor bekannt waren. Dadurch wird verhindert, dass zukünftige Informationen verwendet werden.
Daten-Leaks verhindern
Ohne zeitliche Korrektheit besteht das Risiko eines Data Leakage: Das Training verwendet dann Feature-Werte, die erst nach dem Label-Ereignis berechnet wurden. Dadurch steigen die Offline-Metriken künstlich an, während die Leistung in der Produktion einbricht. Der Feature Store stellt die zeitliche Korrektheit automatisch sicher.
Der vollständige Lebenszyklus
Der Lebenszyklus eines Feature Stores führt alle Schritte zusammen:
feast applyregistriert die Definitionenfeast materializelädt den Online Store- Das Training verwendet Point-in-Time-Joins aus dem Offline Store
- Bei der Bereitstellung werden aktuelle Werte über
get_online_featuresgelesen
Kurze Überprüfung
Testen Sie Ihr Wissen über Feature Stores.
Zusammenfassung
Sie haben Feature Stores mit Feast und Tecton gelernt:
feast applyregistriert Entitäten und Feature Viewsfeast materializelädt den Online Store für bestimmte Zeiträumeget_online_featuresstellt aktuelle Werte für entity_rows bereit- Point-in-Time-Joins erstellen Trainingsdaten ohne Data Leakage
Häufig gestellte Fragen
Ist die Lektion „Feature Stores: Feast und Tecton“ kostenlos?
Ja — der vollständige Text von „Feature Stores: Feast und Tecton“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Feature Stores: Feast und Tecton“?
Online- vs. Offline-Feature-Stores, Feature-Versionierung, Point-in-Time-Joins, Serving-Latenz. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Feature Stores: Feast und Tecton“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Architekturmuster für KI-Systeme
- Skalierbare ML-Pipelines mit Airflow
- Feature Stores: Feast und Tecton
- Observability und Monitoring von KI-Systemen