Feature Stores

Un repositorio centralizado de features reutilizables entre entrenamiento y producción, consistente para todo el equipo.

ÁreaMLOps y Modelos en Producción
DificultadAvanzado
Tiempo de aprendizaje3-4 semanas

¿Qué puedes lograr dominando este tema?

  • Evitar el problema de inconsistencia entre features calculadas en entrenamiento y en producción
  • Reutilizar features entre distintos modelos y equipos sin duplicar lógica
  • Servir features en tiempo real con baja latencia para inferencia online

Descripción

Un feature store centraliza la definición, cómputo y almacenamiento de las features usadas por modelos de ML, garantizando que el mismo cálculo se use tanto durante el entrenamiento (en batch) como durante la inferencia en producción (en tiempo real), un problema sutil pero muy común en equipos de ML maduros.

Casos de uso

  • Organizaciones con múltiples equipos y modelos que comparten features
  • Modelos que requieren inferencia en tiempo real con baja latencia
  • Garantizar consistencia entre features de entrenamiento y de producción
  • Gobernanza y descubribilidad de features ya existentes en la empresa

Ejemplo práctico

Ejemplo prácticopython
from feast import FeatureStore

store = FeatureStore(repo_path=".")
features = store.get_online_features(
    features=["usuario:gasto_promedio_30d"],
    entity_rows=[{"usuario_id": 123}],
).to_dict()

Ventajas y limitaciones

Ventajas

  • Elimina inconsistencias entre features de entrenamiento y producción
  • Acelera el desarrollo de nuevos modelos al reutilizar features existentes
  • Mejora la gobernanza y auditabilidad de qué datos alimentan cada modelo

Limitaciones

  • Solo se justifica su complejidad en organizaciones con varios equipos/modelos
  • Requiere inversión de infraestructura considerable para implementarse bien

Herramientas relacionadas

Librerías y plataformas más comunes para practicar este tema.

  • Feast
  • Tecton
  • Databricks Feature Store

Temas relacionados