Revenir au contenu principal

Magasin de fonctionnalités

Le premier magasin de fonctionnalités co-conçu avec une plateforme de données et un framework MLOps

feature-store-img-1-1660758008
Feature Store Architecture

Donnez à vos équipes data les moyens de lancer de nouvelles fonctionnalités, d'explorer et de réutiliser celles qui existent déjà, de publier des fonctionnalités sur des magasins en ligne à faible latence, de créer des datasets d'entraînement et d'extraire des valeurs des fonctionnalités à des fins d'inférence.

feature-store-img-3-1660758008

Les fonctionnalités deviennent des assets réutilisables

Le registre de fonctionnalités est un puissant index qui permet de rechercher des fonctionnalités, leur définition, leur source de données et leurs consommateurs, éliminant ainsi une grande part d'efforts redondants entre les équipes. Les data scientists, les analystes et les ingénieurs ML pourront rechercher des fonctionnalités en fonction des données brutes consommées pour les utiliser directement ou en créer des variantes.

feature-store-img-4-1660758008

Des fonctionnalités cohérentes pour l'entraînement et le service

Le fournisseur de fonctionnalités les sert de deux façons. Le mode batch délivre les fonctionnalités à un débit élevé pour entraîner des modèles de ML ou faire de l'inférence par batch. Le mode en ligne, à faible latence, est dédié au service de modèles et aux applications de BI qui consomment les fonctionnalités. Les fonctionnalités utilisées dans l'entraînement du modèle sont automatiquement tracées et elles lui sont associées. Au moment de l'inférence, le modèle récupère directement les fonctionnalités dans le magasin.

feature-store-img-5-1660758008

Des fonctionnalités sécurisées par une gouvernance intégrée

Les intégrations du magasin de fonctionnalités fournissent le lineage complet des données utilisées pour calculer les fonctionnalités. Les fonctionnalités sont associées à des ACL pour garantir un niveau de sécurité adéquat. Enfin, grâce à l'intégration de MLflow, les fonctionnalités sont stockées avec les modèles ML pour éviter toute dérive entre l'entraînement et le moment du service.

Ressources

Événement virtuel

Virtual Event: Building Machine Learning Platforms

Prêt à vous lancer ?