0Pricing
Learn AI with Python · บทเรียน

คลังคุณลักษณะ: Feast และ Tecton

คลังคุณลักษณะแบบออนไลน์เทียบกับออฟไลน์ การกำหนดเวอร์ชันคุณลักษณะ การเชื่อม ณ จุดเวลา และเวลาแฝงในการให้บริการ

คลังคุณลักษณะ: Feast และ Tecton เป็นบทเรียน Learn AI with Python ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Learn AI with Python และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน

ปัญหาที่คลังฟีเจอร์แก้ไข

ทีมต่าง ๆ มักสร้างฟีเจอร์เดิมซ้ำแล้วซ้ำอีก และกระบวนการฝึกก็คำนวณฟีเจอร์แตกต่างจากโค้ดสำหรับให้บริการ คลังฟีเจอร์ รวมศูนย์คำจำกัดความ การนำกลับมาใช้ และการให้บริการฟีเจอร์ จึงกำจัดงานซ้ำและความคลาดเคลื่อนระหว่างการฝึกกับการให้บริการ

Feast และ Tecton

คลังฟีเจอร์ชั้นนำสองรายการ:

  • Feast: โอเพนซอร์ส น้ำหนักเบา และให้คุณจัดหาโครงสร้างพื้นฐานเอง
  • Tecton: เชิงพาณิชย์ มีการจัดการให้ และเพิ่มกระบวนการฟีเจอร์แบบสตรีมพร้อมการกำกับดูแล

ทั้งสองระบบมีแนวคิดหลักร่วมกัน ได้แก่ เอนทิตี ฟีเจอร์ และคลังออฟไลน์/ออนไลน์

เอนทิตีและมุมมองฟีเจอร์

เอนทิตี คือสิ่งที่ฟีเจอร์ใช้อธิบาย เช่น ผู้ใช้หรือผลิตภัณฑ์ มุมมองฟีเจอร์ จัดกลุ่มฟีเจอร์ที่เกี่ยวข้องของเอนทิตีหนึ่งและชี้ไปยังแหล่งข้อมูล คำจำกัดความเหล่านี้อยู่ในโค้ดและมีการจัดการเวอร์ชันเช่นเดียวกับชิ้นงานอื่น ๆ

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

feast apply

feast apply ลงทะเบียนคำจำกัดความของเอนทิตีและมุมมองฟีเจอร์กับทะเบียนของคลังฟีเจอร์ นี่คือวิธีที่คลังเรียนรู้ว่ามีฟีเจอร์ใดอยู่บ้างและข้อมูลของฟีเจอร์เหล่านั้นมาจากที่ใด

feast apply
# Registered entity user
# Registered feature view user_stats

การสร้างข้อมูลพร้อมใช้งาน

ต้องโหลดฟีเจอร์เข้าสู่คลังออนไลน์ก่อนจึงจะให้บริการได้ การสร้างข้อมูลพร้อมใช้งาน จะคำนวณค่าฟีเจอร์จนถึงเวลาหนึ่งและเขียนค่าลงในคลังออนไลน์ เช่น Redis เพื่อให้พร้อมสำหรับการอ่านที่มีเวลาแฝงต่ำ

feast materialize

feast materialize รับวันที่เริ่มต้นและวันที่สิ้นสุด แล้วโหลดค่าฟีเจอร์ของช่วงเวลานั้นเข้าสู่คลังออนไลน์ คุณเรียกใช้คำสั่งนี้ตามตารางเวลาเพื่อให้ฟีเจอร์ออนไลน์เป็นข้อมูลใหม่อยู่เสมอ

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

การให้บริการออนไลน์

ขณะอนุมาน คุณดึงฟีเจอร์ล่าสุดของเอนทิตีที่ระบุด้วย get_online_features โดยส่ง แถวเอนทิตี ซึ่งระบุว่าจะค้นหาเอนทิตีใด ระบบจะคืนค่าที่ใหม่ที่สุดภายในระดับมิลลิวินาที

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()

การสร้างข้อมูลฝึก

สำหรับการฝึก คุณจะเชื่อมค่าฟีเจอร์เข้ากับป้ายกำกับย้อนหลัง คลังฟีเจอร์จะอ่านข้อมูลจากคลังออฟไลน์และคืนชุดข้อมูลที่จัดแนวให้ตรงกับเวลาของป้ายกำกับแต่ละรายการ เพื่อให้แน่ใจว่าอินพุตการฝึกตรงกับสิ่งที่ระบบให้บริการจะส่งมอบ

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

การเชื่อมข้อมูลตามจุดเวลา

หลักประกันสำคัญของคลังฟีเจอร์คือ การเชื่อมข้อมูลตามจุดเวลา: สำหรับป้ายกำกับการฝึกแต่ละรายการ ระบบจะดึงเฉพาะค่าฟีเจอร์ที่ทราบแล้ว ณ เวลานั้นหรือก่อนหน้านั้น วิธีนี้ป้องกันไม่ให้ใช้ข้อมูลจากอนาคต

การป้องกันข้อมูลรั่วไหล

หากไม่ตรวจสอบความถูกต้องตามจุดเวลา คุณอาจเสี่ยงต่อ ข้อมูลรั่วไหล: ฝึกโมเดลด้วยค่าฟีเจอร์ที่คำนวณหลังเหตุการณ์ของป้ายกำกับ ซึ่งทำให้ตัวชี้วัดออฟไลน์สูงเกินจริง แต่ประสิทธิภาพกลับตกลงในระบบจริง คลังฟีเจอร์จะบังคับใช้ความถูกต้องตามลำดับเวลาให้โดยอัตโนมัติ

วงจรชีวิตทั้งหมด

วงจรชีวิตของคลังฟีเจอร์เชื่อมทุกอย่างเข้าด้วยกัน:

  • feast apply ลงทะเบียนคำจำกัดความ
  • feast materialize โหลดข้อมูลเข้าสู่คลังออนไลน์
  • การฝึกใช้การเชื่อมข้อมูลตามจุดเวลาจากคลังออฟไลน์
  • การให้บริการอ่านค่าที่ใหม่สดผ่าน get_online_features

ตรวจสอบความเข้าใจ

ทดสอบความรู้เกี่ยวกับคลังฟีเจอร์ของคุณ

ทบทวน

คุณได้เรียนรู้เรื่องคลังฟีเจอร์ด้วย Feast และ Tecton:

  • feast apply ลงทะเบียนเอนทิตีและมุมมองฟีเจอร์
  • feast materialize โหลดคลังออนไลน์สำหรับวันที่ระบุ
  • get_online_features ให้บริการค่าที่ใหม่สดสำหรับ แถวเอนทิตี
  • การเชื่อมข้อมูลตามจุดเวลา สร้างข้อมูลฝึกที่ไม่มีข้อมูลรั่วไหล

คำถามที่พบบ่อย

บทเรียน “คลังคุณลักษณะ: Feast และ Tecton” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “คลังคุณลักษณะ: Feast และ Tecton” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Learn AI with Python ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “คลังคุณลักษณะ: Feast และ Tecton”

คลังคุณลักษณะแบบออนไลน์เทียบกับออฟไลน์ การกำหนดเวอร์ชันคุณลักษณะ การเชื่อม ณ จุดเวลา และเวลาแฝงในการให้บริการ คุณปฏิบัติ Learn AI with Python ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Learn AI with Python หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Learn AI with Python บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน

บทเรียน “คลังคุณลักษณะ: Feast และ Tecton” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Learn AI with Python นี้ได้ไหม

ได้ บทเรียน Learn AI with Python ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

  1. รูปแบบสถาปัตยกรรมระบบปัญญาประดิษฐ์
  2. ไปป์ไลน์แมชชีนเลิร์นนิงที่ปรับขนาดได้ด้วย Airflow
  3. คลังคุณลักษณะ: Feast และ Tecton
  4. การสังเกตการณ์และการติดตามระบบปัญญาประดิษฐ์
← กลับไปที่ Learn AI with Python