Enable javascript in your browser for better experience. Need to know to enable it? Go here.
更新于 : Apr 26, 2023
不在本期内容中
这一条目不在当前版本的技术雷达中。如果它出现在最近几期中,那么它很有可能仍然具有相关参考价值。如果这一条目出现在更早的雷达中,那么它很有可能已经不再具有相关性,我们的评估将不再适用于当下。很遗憾我们没有足够的带宽来持续评估以往的雷达内容。 了解更多
Apr 2023
Trial ? 值得一试。了解为何要构建这一能力是很重要的。企业应当在风险可控的前提下在项目中尝试应用此项技术。

任何软件都需要正确表示其所应用的那一领域,并且应该始终了解关键的目标。机器学习项目也不例外。特征工程 是机器学习软件系统工程和设计的重要部分。特征库 是一个架构上的概念,能促进识别、发现和监测与给定领域或业务问题有关的特征。 实现这一概念需要结合架构设计,数据工程和基础设施管理,来创建一个可扩展的、高效的、可靠的机器学习系统。 从工具的角度看,您可以找到开源的和完全托管的方案,但这些只包含了这个概念的一部分。在端到端的机器学习系统设计中,实现特征库带来了以下能力:(1) 定义准确特征的能力;(2) 增强数据的可复用性并且让特征在不同模型中保持一致和可用的能力,其中还包括设置特征工程管道,以规划特征库中的数据的能力; (3) 帮助特征发现的能力和 (4) 提供特征服务的能力。我们的团队利用特征库获得了这些对端到端机器学习系统的便利。

Apr 2021
Assess ? 在了解它将对你的企业产生什么影响的前提下值得探索

Feature Store 是一个服务于机器学习的数据平台,可以解决当前我们在特征工程中所遇到的一些关键问题。它提供了三个基本功能:(1)使用托管的数据管道,以消除新数据与数据管道之间的冲突;(2)对特征数据进行编目和存储,从而促进跨模型的特征的可发现性和协同性;(3)在模型的训练和干扰过程中,持续提供特征数据。

自从 Uber 公开了 Michelangelo 平台 以来,许多组织和初创企业都建立了自己的特征库;例如 HopsworksFeastTecton。 我们看到了 Feature Store 的潜力,并建议仔细对其进行评估。

发布于 : Apr 13, 2021

下载第29期技术雷达

English | Español | Português | 中文

获取最新技术洞见

 

立即订阅

查看存档并阅读往期内容