机器学习 (machine learning)模型的表现与其输入数据的质量和一致性直接相关。虽然前几章侧重于计算密集型训练和模型服务，本章则讨论了支持这些所需的数据系统。在生产环境中，一个重要难题是确保用于模型训练的数据与用于实时推理 (inference)的数据以相同方式处理。任何差异，即所谓的训练-服务偏差，都可能悄无声息地降低模型表现。

本章提供了一种系统方法，用于为生产环境中的机器学习设计数据管道和管理系统。我们将从数据的理论意义转向系统实际构建，这些系统能为训练和模型服务工作负载提供版本化、一致且及时的数据特征。目标是建立一个数据根基，确保可复现性和可靠性。

你将学会：

• 设计和构建特征存储，以集中管理特征逻辑并消除训练-服务偏差，确保特征向量 (vector)$f(x_{train})$与$f(x_{serve})$一致。
• 设计用于批处理和实时特征计算的数据管道，审视延迟和成本之间的权衡。
• 将数据版本控制和血缘信息整合到你的机器学习工作流中，使用DVC等工具使实验可复现、可审计。
• 使用Spark和Ray等分布式框架处理超出单机容量规模的数据集。
• 组织和管理大型数据存储（如数据湖），以有效支撑数据分析和机器学习应用。

学完本章，你将具备构建生产级AI平台数据核心的能力，并将通过构建一个基础的特征摄取管道来运用这些知识。