Feature Store — ML Features teamübergreifend teilen

Drei ML-Teams, drei Kopien desselben Feature-Engineering-Codes. Jedes berechnet „durchschnittliche Kundenausgaben über 90 Tage” etwas anders. Ein Feature Store löst dieses Chaos.

Was ist ein Feature Store?¶

Ein zentrales Repository für ML Features — vorverarbeitete Datenattribute, die sowohl für Training als auch Serving nutzbar sind. Zwei Modi:

• Offline — historische Daten für das Training (Snowflake/S3)
• Online — Echtzeit-Features für Inference (Redis/DynamoDB)

Feast als Lösung¶

Feast (Feature Store) — Open Source, leichtgewichtig, integriert sich in unseren Stack. Feature-Definitionen als Code in Git, Materialisierung in den Online Store via Airflow.

Ergebnisse¶

Konsistente Features über Training und Serving hinweg (kein Training-Serving Skew). Feature-Sharing zwischen Teams. Schnelleres Onboarding neuer ML-Projekte — „Welche Features haben wir?” ist jetzt eine Minutenfrage, keine Tagesfrage.

Feature Store = DRY-Prinzip für ML¶

Feature Engineering nicht wiederholen. Zentralisieren, versionieren, teilen.