Feature store

Feature store — это центральное хранилище заранее подготовленных признаков (числовых или категориальных), которые модели машинного обучения используют для прогнозов. Признаки могут быть любыми: от суммы покупок клиента за месяц до средней скорости курьера в час пик. Feature store позволяет вычислить их один раз и многократно применять — при обучении модели и в реальной работе.

Без такого хранилища инженеры готовят признаки отдельно для обучения и предсказаний, используя разные коды и данные. Модель учится на одних параметрах, а в проде получает другие — точность падает. Feature store даёт единый согласованный источник правды и ускоряет работу: не нужно пересчитывать признаки с нуля, берутся готовые.

Интуитивно это похоже на холодильник с нарезанными овощами: не надо каждый раз чистить и резать, достаточно достать пакет. Feature store хранит признаки в удобной форме, обновляет устаревшие значения и быстро отдаёт по запросу. Версии признаков сохраняются в истории, поэтому можно воспроизвести состояние данных для повторного обучения.

Пример — скоринг кредитных заявок. Банк считает средний доход за полгода, количество просрочек, долю расходов от зарплаты. Эти признаки один раз вычисляются в feature store и используются при обучении на исторических данных и при оценке новых заявок в реальном времени. Система мгновенно получает свежие значения тех же признаков и выдаёт решение без расхождений.

Вывод: feature store — это фабрика и склад данных для ML. Он экономит время, обеспечивает стабильность моделей и ускоряет внедрение ИИ в продукты — от рекомендаций в кино до медицинской диагностики.