feast-dev/feast

해결하는 문제

Feast는 기계학습 특징을 중앙 집중식으로 관리하는 방법을 제공하여 오프라인 학습 데이터와 온라인 서빙 데이터 사이의 격차를 메웁니다. 시점 정확성(점-타임 정확성)을 보장함으로써 학습 중 데이터 유출 문제를 해결하고, 새로운 모델마다 복잡한 데이터 검색 로직을 다시 구축할 필요를 없앱니다.

작동 방식

Feast는 머신러닝 모델과 하위 데이터 인프라를 분리하는 데이터 접근 계층으로 작동합니다. 주로 세 가지 주요 구성 요소를 관리합니다:

• 오프라인 스토어: 배치 스코어링 또는 모델 학습을 위한 과거 데이터를 처리합니다.
• 온라인 스토어: 실시간 예측을 위한 저지연 저장 시스템입니다.
• 특징 서버: 사전 계산된 특징을 모델에 온라인으로 제공하는 검증된 서버입니다.

사용자는 리포지토리에서 특징을 정의하고 Feast SDK를 사용하여 학습 데이터셋용 과거 특징을 가져오거나 실시간 추론용 온라인 특징을 가져옵니다.

대상 사용자

AWS, GCP, Snowflake 등 다양한 클라우드 공급자와 데이터 소스에서 분석 데이터를 모델 학습 및 실시간 추론에 본격적으로 활용해야 하는 ML 플랫폼 팀과 데이터 과학자.

주요 특징

• 시점 정확성: 올바른 과거 특징 세트를 생성함으로써 데이터 유출을 방지합니다.
• 광범위한 통합: Redis, DynamoDB, BigQuery, Snowflake, Qdrant 및 Milvus와 같은 벡터 스토어를 포함한 다양한 오프라인 및 온라인 스토어를 지원합니다.
• 크로스 플랫폼 서빙: Python, Go, Java로 제공되는 특징 서버를 지원합니다.
• 특징 엔지니어링: 온디맨드 및 스트리밍 변환을 지원합니다.
• 데이터 품질: 내장된 메트릭, 드리프트 감지, 서빙 로그 모니터링 기능을 포함합니다.