趋近智
机器学习系统高级特征存储构建
章节 1: 特征平台架构
核心组件再审视：进阶视角
低延迟在线存储架构
离线存储的可扩展性设计
元数据管理策略
解耦架构与集成架构的比较
跨区域和多云考量
实践：设计可伸缩架构
章节 2: 高级特征工程与计算
特征转换管道
处理流式特征
管理嵌入和非结构化数据
大规模时间窗口聚合
按需特征计算
批量与实时计算的权衡
复杂转换的动手实践
章节 3: 确保数据一致性和质量
诊断与缓解在线/离线偏差
训练数据的时间点准确性
高级数据验证方法
特征数据分布监控
回填策略与难题
分布式系统中的一致性保证
实践：实现偏差检测
章节 4: 性能、可扩展性与优化
特征平台性能基准测试
优化在线服务延迟
扩展离线计算
存储优化和成本管理
高可用性和灾难恢复模式
容量规划与负载测试
在线特征商店性能调整实战
章节 5: 治理、安全与 MLOps 集成
实施特征治理框架
特征版本控制策略
端到端特征血缘追踪
访问控制与安全模型
将特征商店与CI/CD流程集成
特征发现与编目
审计与合规性考量
实践：设置特征血缘
章节 6: 特征存储方案的评估与运行
比较开源特征存储（如Feast）
云端托管特征存储服务分析
自建与采购决策框架
操作监控与警报
调试常见特征商店问题
特征存储管理中的团队结构与职责
动手实践：评估托管服务
特征转换管道
这部分内容有帮助吗？
- TFX: A TensorFlow-Based Production-Scale Machine Learning Platform, Denis Baylor, Jian Li, Andrei Lopatenko, Aurélien Plab, Mikhail Berezovskiy, Daniel Golovin, Robby Neiger, Andrew M. Miller, Stephen Kidd, Michael R. Jones, Alex Sergeev, Max G. E. Bauman, Ted H. Lee, Alexey Smirnov, David S. Berg, Todd Phillips, David F. Blank, Christine Cheng, Josh Smith, D. Sculley, Michael A. Walker, Clemens Mewald, 2017 Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (ACM) DOI: 10.1145/3097983.3098021 - 介绍了TensorFlow Extended (TFX)，这是一个全面的ML平台，其中特征转换管道是管理数据预处理和确保训练与服务之间一致性的核心组成部分。
- Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, 2022 (O'Reilly Media) - 一本全面涵盖ML系统整个生命周期的书籍，包括对特征工程、数据管道和MLOps实践的讨论，这些对于构建稳健和可扩展的系统至关重要。
- Feature Transformations in Feast, Feast Project, 2025 (Feast Project) - Feast（一个开源特征存储）的官方文档，详细介绍了如何将特征转换定义和应用于特征视图，展示了特征存储中实际管道的实现。
- Hidden Technical Debt in Machine Learning Systems, D. Sculley, Gary Holt, Daniel Golovin, Eugene Davydov, Todd Phillips, Dietmar Ebner, Vinay Chaudhary, Michael Young, Jean-François Crespo, Dan Dennison, 2015 Advances in Neural Information Processing Systems 28, Vol. 28 (NeurIPS) - 一篇基础性论文，讨论了实际ML系统中常见的缺陷和技术债务来源，包括确保训练和服务环境中数据转换一致性的挑战。