0Pricing
Learn AI with Python · Pelajaran

Penyimpanan Fitur: Feast dan Tecton

Penyimpanan fitur online vs offline, pembuatan versi fitur, penggabungan titik waktu, latensi penyajian.

Penyimpanan Fitur: Feast dan Tecton adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Masalah Penyimpanan Fitur

Tim berulang kali menerapkan ulang fitur yang sama, dan alur pelatihan menghitungnya secara berbeda dari kode penyajian. Penyimpanan fitur memusatkan definisi, penggunaan ulang, dan penyajian fitur, sehingga menghilangkan pekerjaan duplikat dan ketidakselarasan pelatihan-penyajian.

Feast dan Tecton

Dua penyimpanan fitur terkemuka:

  • Feast: sumber terbuka, ringan, dan menggunakan infrastruktur Anda sendiri
  • Tecton: komersial dan dikelola, serta menambahkan alur fitur streaming dan tata kelola

Keduanya memiliki konsep inti yang sama, yaitu entitas, fitur, serta penyimpanan luring dan daring.

Entitas dan Tampilan Fitur

Entitas adalah sesuatu yang dijelaskan oleh fitur (seorang pengguna atau sebuah produk). Tampilan fitur mengelompokkan fitur-fitur terkait untuk suatu entitas dan menunjuk ke sumber data. Definisi ini berada dalam kode dan diberi versi seperti artefak lainnya.

# A user entity with features:
#   avg_purchase, days_since_signup, total_orders

feast apply

feast apply mendaftarkan definisi entitas dan tampilan fitur Anda ke registri penyimpanan fitur. Inilah cara penyimpanan tersebut mengetahui fitur yang tersedia dan asal datanya.

feast apply
# Registered entity user
# Registered feature view user_stats

Materialisasi

Fitur harus dimuat ke penyimpanan daring sebelum disajikan. Materialisasi menghitung nilai fitur hingga titik waktu tertentu dan menuliskannya ke penyimpanan daring (misalnya Redis) agar siap dibaca dengan latensi rendah.

feast materialize

feast materialize menerima tanggal mulai dan tanggal akhir, lalu memuat nilai fitur untuk jangka waktu tersebut ke penyimpanan daring. Anda menjalankannya sesuai jadwal agar fitur daring tetap terbaru.

feast materialize 2024-01-01T00:00:00 2024-01-31T00:00:00

Penyajian Daring

Saat inferensi, Anda mengambil fitur terbaru untuk entitas tertentu dengan get_online_features, dengan meneruskan entity_rows yang mengidentifikasi entitas yang perlu dicari. Perintah ini mengembalikan nilai terbaru dalam hitungan milidetik.

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()

Membangun Data Pelatihan

Untuk pelatihan, Anda menggabungkan nilai fitur dengan label historis. Penyimpanan fitur membaca dari penyimpanan luring dan mengembalikan kumpulan data yang diselaraskan dengan stempel waktu setiap label, sehingga masukan pelatihan cocok dengan yang akan diberikan oleh penyajian.

training_df = store.get_historical_features(
    entity_df=labels_df,        # has user_id and event_timestamp
    features=["user_stats:avg_purchase"],
).to_df()

Penggabungan Berdasarkan Titik Waktu

Jaminan utama penyimpanan fitur adalah penggabungan berdasarkan titik waktu: untuk setiap label pelatihan, penyimpanan hanya mengambil nilai fitur yang telah diketahui pada atau sebelum stempel waktu label tersebut. Hal ini mencegah penggunaan informasi dari masa depan.

Mencegah Kebocoran Data

Tanpa ketepatan berdasarkan titik waktu, Anda berisiko mengalami kebocoran data: melatih model dengan nilai fitur yang dihitung setelah peristiwa label, sehingga metrik luring meningkat secara semu tetapi kinerja runtuh dalam produksi. Penyimpanan fitur secara otomatis menegakkan ketepatan temporal.

Siklus Hidup Lengkap

Siklus hidup penyimpanan fitur menyatukan semuanya:

  • feast apply mendaftarkan definisi
  • feast materialize memuat penyimpanan daring
  • pelatihan menggunakan penggabungan berdasarkan titik waktu dari penyimpanan luring
  • penyajian membaca nilai terbaru melalui get_online_features

Uji Cepat

Ujilah pengetahuan Anda tentang penyimpanan fitur.

Ringkasan

Anda telah mempelajari penyimpanan fitur dengan Feast dan Tecton:

  • feast apply mendaftarkan entitas dan tampilan fitur
  • feast materialize memuat penyimpanan daring untuk tanggal yang ditentukan
  • get_online_features menyajikan nilai terbaru untuk entity_rows
  • Penggabungan berdasarkan titik waktu membangun data pelatihan yang bebas kebocoran

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Penyimpanan Fitur: Feast dan Tecton” gratis?

Ya — teks lengkap “Penyimpanan Fitur: Feast dan Tecton” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Penyimpanan Fitur: Feast dan Tecton”?

Penyimpanan fitur online vs offline, pembuatan versi fitur, penggabungan titik waktu, latensi penyajian. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.

Berapa lama pelajaran “Penyimpanan Fitur: Feast dan Tecton” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Pola Arsitektur Sistem Kecerdasan Buatan
  2. Pipeline Pembelajaran Mesin yang Skalabel dengan Airflow
  3. Penyimpanan Fitur: Feast dan Tecton
  4. Observabilitas dan Pemantauan Sistem Kecerdasan Buatan
← Kembali ke Learn AI with Python