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
特征版本控制策略
这部分内容有帮助吗？
- TFX: A TensorFlow-Based Production Machine Learning Platform, Clemens Mewald, Robert Crowe, Noah Fiedel, Konstantin Goldeli, Joshua T. Gordon, Denis Khayda, D. Sculley, Ben Vanik, and Jeremy Zurcher, 2019 KDD '19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (Association for Computing Machinery (ACM)) DOI: 10.1145/3292500.3330663 - 介绍了谷歌的TFX平台，该平台为生产级机器学习建立了多项原则，包括特征管理以及数据和模型版本化的必要性，以确保大规模系统中的再现性和可靠性。
- Delta Lake: High-Performance ACID Table Storage over Cloud Object Stores, Matei Zaharia, Tathagata Das, Rahul Goswami, Joseph Bradley, Xiangrui Meng, Liwen Sun, Burak Yavuz, Arsalan Tavakoli, Ali Ghodsi, and Michael Armbrust, 2020 Proceedings of the VLDB Endowment, Vol. 13 (VLDB Endowment) DOI: 10.14778/3415494.3415512 - 本文介绍了Delta Lake，一项在数据湖上实现时间旅行查询和ACID事务的技术，对于实施基于时间的特征版本化策略至关重要。
- Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, 2022 (O'Reilly Media) - 提供构建和部署机器学习系统的指南，其中包含讨论特征管理、数据版本控制以及MLOps工作流中可再现性重要性的章节。
- Semantic Versioning 2.0.0, Tom Preston-Werner, 2013 - 语义化版本控制的官方规范，一种广泛采用的软件标准，可用于特征定义和转换代码的版本控制。