Tag: feature-store-training-serving-skew
-
【AI 核心深度 M8-016】解释特征回填（Backfill）与历史特征重算（Explain Historical Feature Backfilling, Computational Economics, and Temporal Parity）深度数理推导与工程落地解析
新特征上线或逻辑变更时，需用历史数据补算（backfill）以训练模型；关键是成本、正确性与一致性。
-
【AI 核心深度 M8-017】解释 embedding 特征的管理（向量特征的存储与更新）（Explain Embedding Lifecycle Management: Storage, Vector Indexing, Versioning, and Consistency Synchronization）深度数理推导与工程落地解析
embedding 是大体积、需频繁更新的特征；需专门的存储（向量库）、版本管理与’一致性’（训练/服务用同一版本）。
-
【AI 核心深度 M8-011】解释特征存储的作用与核心能力（Explain the Architecture, Core Capabilities, and Dual-Storage Design of Modern Feature Stores）深度数理推导与工程落地解析
统一管理特征的定义、计算与存取，使离线训练与在线服务用同一份特征定义（避免偏移）；含在线/离线双存储。
-
【AI 核心深度 M8-012】解释训练-服务偏移（Train/Serve Skew）的成因与后果（Explain the Root Causes, Consequences, and Systematic Prevention of Train/Serve Skew）深度数理推导与工程落地解析
离线与线上特征的计算方式不同（预处理/时间窗/数据源/版本），导致’离线好线上差’——最常见的线上事故来源。
-
【AI 核心深度 M8-013】解释时间点正确性（Point-in-Time Correctness）（Explain Point-in-Time Correctness, As-Of Joins, and the Prevention of Temporal Data Leakage）深度数理推导与工程落地解析
训练样本的每个特征必须只含’该时刻之前’的信息；否则’未来信息’泄漏 → 离线虚高、线上崩盘。
-
【AI 核心深度 M8-014】解释在线特征的低延迟读取设计（Explain the Architecture and Low-Latency Serving Design for Online Feature Stores）深度数理推导与工程落地解析
在线存储需 P99 低延迟（毫秒级）、高可用、批量读取（一次取多特征）；用 KV/Redis + 本地缓存 + 批量接口。
-
【AI 核心深度 M8-015】解释特征版本管理与回滚（Explain Feature Versioning, Lineage Tracking, and Safe Rollback Strategies in MLOps）深度数理推导与工程落地解析
特征定义与计算逻辑会变（口径/实现/依赖）；需版本化（定义+数据+代码），支持回滚与’新旧并存’。