特征存储：Feast 与 Tecton
在线与离线特征存储、特征版本管理、时间点连接和服务延迟。
特征存储：Feast 与 Tecton 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
特征存储要解决的问题
团队会反复重新实现相同的特征，而训练流水线计算特征的方式又与服务代码不同。特征存储集中管理特征定义、复用和服务，从而消除重复工作以及训练-服务偏差。
Feast 与 Tecton
两个领先的特征存储系统：
- Feast：开源、轻量级，需要您自行提供基础设施
- Tecton：商业化托管服务，增加了流式特征流水线和治理功能
两者都共享实体、特征以及离线存储和在线存储这些核心概念。
实体与特征视图
实体是特征所描述的对象（例如用户或产品）。特征视图会为某个实体组织相关特征，并指向一个数据源。这些定义以代码形式存在，并像其他构件一样进行版本管理。
# A user entity with features:
# avg_purchase, days_since_signup, total_ordersfeast 应用
feast apply 会将您的实体和特征视图定义注册到特征存储注册表中。特征存储正是通过它了解有哪些特征以及这些特征的数据来源。
feast apply
# Registered entity user
# Registered feature view user_stats物化
在提供服务之前，必须将特征加载到在线存储中。物化会计算截至某个时间点的特征值，并将其写入在线存储（例如 Redis），以便进行低延迟读取。
feast 物化
feast materialize 接受开始日期和结束日期，并将该时间窗口内的特征值加载到在线存储中。您可以按计划运行它，以保持在线特征的新鲜度。
feast materialize 2024-01-01T00:00:00 2024-01-31T00:00:00在线服务
在推理时，您可以使用 get_online_features 获取指定实体的最新特征，并传入用于标识要查询实体的实体行。它会在几毫秒内返回最新的值。
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()构建训练数据
训练时，您需要将特征值与历史标签连接起来。特征存储会从离线存储中读取数据，并返回与每个标签时间戳对齐的数据集，确保训练输入与服务将提供的输入相匹配。
training_df = store.get_historical_features(
entity_df=labels_df, # has user_id and event_timestamp
features=["user_stats:avg_purchase"],
).to_df()时间点连接
特征存储的关键保证是时间点连接：对于每个训练标签，它只获取在该标签时间戳之前或当时已知的特征值。这样可以防止使用未来信息。
防止数据泄漏
如果不保证时间点正确性，您就可能发生数据泄漏：使用标签事件发生后才计算出的特征值进行训练。这会抬高离线指标，却导致模型在生产环境中表现崩溃。特征存储会自动确保时间上的正确性。
完整生命周期
特征存储的生命周期将这些环节串联起来：
feast apply注册定义feast materialize加载在线存储- 训练使用来自离线存储的时间点连接
- 服务通过
get_online_features读取最新值
快速检查
测试您对特征存储的掌握程度。
回顾
您学习了如何使用 Feast 和 Tecton 构建特征存储：
feast apply注册实体和特征视图feast materialize为指定日期加载在线存储get_online_features为实体行提供最新值- 时间点连接构建无数据泄漏的训练数据
常见问题解答
「特征存储：Feast 与 Tecton」课时是免费的吗？
是的 — 「特征存储：Feast 与 Tecton」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「特征存储：Feast 与 Tecton」这节课中我会学到什么？
在线与离线特征存储、特征版本管理、时间点连接和服务延迟。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「特征存储：Feast 与 Tecton」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 人工智能系统架构模式
- 使用 Airflow 构建可扩展的机器学习 pipeline
- 特征存储：Feast 与 Tecton
- 人工智能系统的可观测性与监控