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
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
Ingeniería de Características (Feature Engineering)
Preparación De DatosTransformar datos crudos en las variables que realmente ayudan a un modelo a predecir mejor.
Despliegue de Modelos (Model Serving)
MlopsConvertir un modelo entrenado en un servicio que otras aplicaciones puedan consumir de forma confiable.