# Feature store

> Хранилище признаков для машинного обучения — единое место, где признаки вычисляются, версионируются и одинаково отдаются для обучения и для онлайн-инференса.

Источник: https://llmdocs.ru/wiki/feature-store/ · обновлено 2026-11-09 · лицензия CC BY-SA 4.0

- **Появление**: Uber Michelangelo (2017)
- **Компоненты**: офлайн-хранилище, онлайн-хранилище, реестр признаков
- **Ключевая задача**: устранить training-serving skew
- **Open source**: Feast, Hopsworks, Featureform
- **Коммерческие**: Tecton, Databricks Feature Store, SageMaker Feature Store, Vertex AI
- **Онлайн-хранилища**: Redis, DynamoDB, Cassandra
**Feature store** (хранилище признаков) — компонент [MLOps](https://llmdocs.ru/wiki/mlops.md)-платформы, который хранит признаки (features) для моделей машинного обучения и выдаёт их в двух режимах: большими историческими выборками для обучения и по одной сущности с минимальной задержкой для онлайн-предсказаний. Признак — например, «число заказов пользователя за 30 дней» — описывается один раз, а все модели и команды используют одно и то же определение. Главная цель — чтобы модель в продакшене получала признаки, вычисленные ровно так же, как при обучении.

## Проблема

Без общего хранилища каждая команда пишет свои SQL-запросы для обучения в ноутбуке, а затем отдельный код на сервисе для онлайн-вычислений. Возникают типичные проблемы:

- **training-serving skew** — признак в продакшене считается иначе, чем при обучении (другой часовой пояс, другая обработка пропусков), и модель тихо деградирует;
- **утечка из будущего** — при сборке обучающей выборки к событию присоединяется значение признака, известное только позже;
- **дублирование** — десять команд по-разному считают «активность пользователя»;
- **задержка** — тяжёлые агрегаты невозможно вычислить за миллисекунды во время запроса.

Идею хранилища признаков популяризировала Uber, описав в 2017 году платформу Michelangelo с общим Feature Store.[2]

## Архитектура

| Компонент | Что хранит | Для чего | Примеры |
|---|---|---|---|
| **Офлайн-хранилище** | полная история значений признаков | обучение, бэктесты, батч-инференс | BigQuery, Snowflake, [ClickHouse](https://llmdocs.ru/wiki/clickhouse.md), Parquet в S3 |
| **Онлайн-хранилище** | последнее значение для каждой сущности | инференс за миллисекунды | [Redis](https://llmdocs.ru/wiki/redis.md), DynamoDB, Cassandra |
| **Реестр** | определения, владельцы, версии | поиск и повторное использование | метаданные в базе |
| **Конвейеры** | вычисление и загрузка (materialization) | пакетные и потоковые расчёты | Spark, Flink, dbt |

Признаки вычисляются конвейерами из исходных данных, пишутся в офлайн-хранилище и периодически **материализуются** в онлайн-хранилище. Потоковые признаки (например, «число транзакций за последние 5 минут» для антифрода) обновляются в реальном времени из Kafka.

## Point-in-time join

Ключевая функция для обучения — **соединение на момент времени**: для каждого примера (пользователь, момент события) берётся значение признака, актуальное *именно тогда*, а не последнее.[3] Если модель предсказывает отток на 1 марта, признак «число заказов за 30 дней» должен быть посчитан на 1 марта, а не на сегодня. Ручная реализация таких соединений — частый источник ошибок, и feature store берёт её на себя.

## Пример: Feast

Feast — самый распространённый открытый feature store; признаки описываются кодом на Python:[1]

```python
from datetime import timedelta
from feast import Entity, FeatureView, Field, FileSource
from feast.types import Float32, Int64

user = Entity(name="user", join_keys=["user_id"])

user_stats = FeatureView(
    name="user_stats",
    entities=[user],
    ttl=timedelta(days=1),
    schema=[Field(name="orders_30d", dtype=Int64),
            Field(name="avg_check", dtype=Float32)],
    source=FileSource(path="data/user_stats.parquet",
                      timestamp_field="event_ts"),
)
```

Обучающая выборка и онлайн-запрос:

```python
# обучение: point-in-time join к таблице событий
train_df = store.get_historical_features(
    entity_df=events_df, features=["user_stats:orders_30d", "user_stats:avg_check"]
).to_df()

# инференс: последнее значение из онлайн-хранилища
store.get_online_features(
    features=["user_stats:orders_30d"], entity_rows=[{"user_id": 42}]
).to_dict()
```

Команда `feast materialize-incremental` переносит свежие значения в онлайн-хранилище.

## Когда нужен

Feature store оправдан, когда:

- модели работают онлайн и требуют свежих признаков с малой задержкой (рекомендации, антифрод, ценообразование);
- одни и те же признаки используют несколько моделей и команд;
- уже были инциденты из-за расхождения обучения и продакшена.

Для одной модели с пакетным инференсом раз в сутки обычно достаточно витрины данных в хранилище, SQL-трансформаций в dbt и [версионирования данных](https://llmdocs.ru/wiki/dvc.md). Внедрение feature store — заметная инфраструктурная работа, и начинать её стоит с конкретной боли, а не «на вырост».

## Связь с другими инструментами

Feature store дополняет реестр моделей и трекинг экспериментов ([MLflow](https://llmdocs.ru/wiki/mlflow.md)), системы [сервинга](https://llmdocs.ru/wiki/model-serving.md) запрашивают из него признаки при каждом предсказании, а мониторинг сравнивает распределения признаков в продакшене с обучающими, чтобы ловить [дрейф данных](https://llmdocs.ru/wiki/data-drift.md). Похожая идея применяется и к [эмбеддингам](https://llmdocs.ru/wiki/embedding.md): векторные представления пользователей и товаров хранятся и отдаются так же, как обычные признаки.

## См. также

- [MLOps](https://llmdocs.ru/wiki/mlops.md)
- [Сервинг моделей](https://llmdocs.ru/wiki/model-serving.md)
- [Дрейф данных](https://llmdocs.ru/wiki/data-drift.md)
- [Версионирование данных (DVC)](https://llmdocs.ru/wiki/dvc.md)

## Источники

1. [Feast — Documentation](https://docs.feast.dev/)
2. [Uber Engineering — Meet Michelangelo: Uber's Machine Learning Platform](https://www.uber.com/blog/michelangelo-machine-learning-platform/)
3. [Feast — Point-in-time joins](https://docs.feast.dev/getting-started/concepts/point-in-time-joins)
4. [Hopsworks — What is a Feature Store](https://www.hopsworks.ai/dictionary/feature-store)
5. [Google Cloud — Vertex AI Feature Store overview](https://cloud.google.com/vertex-ai/docs/featurestore/latest/overview)