Capítulo 2: Engenharia de Features em Escala

Feature Stores

Feature stores centralizam o cálculo e o fornecimento de features, garantindo consistência entre treinamento e inferência.

Exemplo com Feast

from feast import FeatureStore, Entity, Feature, ValueType, FeatureView
from feast.infra.offline_stores.file_source import FileSource

# Define entity
customer = Entity(
    name="customer_id",
    value_type=ValueType.STRING,
    description="Customer identifier"
)

# Define feature view
customer_features = FeatureView(
    name="customer_features",
    entities=["customer_id"],
    ttl=timedelta(days=1),
    features=[
        Feature(name="total_purchases", dtype=ValueType.FLOAT),
        Feature(name="days_since_last_login", dtype=ValueType.INT64),
        Feature(name="account_age_days", dtype=ValueType.INT64),
    ],
    online=True,
    source=FileSource(path="data/customer_features.parquet")
)

# Get features for training
store = FeatureStore(repo_path=".")
training_df = store.get_historical_features(
    entity_df=entity_df,
    features=["customer_features:total_purchases", "customer_features:days_since_last_login"]
).to_df()

# Get features for inference (online)
online_features = store.get_online_features(
    features=["customer_features:total_purchases"],
    entity_rows=[{"customer_id": "CUS-12345"}]
).to_dict()

Features Online vs Offline

Tipo	Finalidade	Latência	Armazenamento
Offline	Treinamento	Minutos	Data warehouse
Online	Inferência	Milissegundos	Redis, DynamoDB

Principais Pontos

Summary

1. Feature stores garantem consistência entre treinamento e serving
2. Separe stores online/offline para diferentes necessidades de latência
3. Versione features como código e dados

---

Próximo: Capítulo 3: Qualidade e Validação de Dados