Framework de código abierto que permite a las empresas definir y servir variables de Machine Learning utilizando su infraestructura de datos existente.
Explicación y Contexto Conceptual
Feast (Feature Store for Machine Learning) es el marco de código abierto más adoptado para implementar almacenes de características sin necesidad de contratar costosas plataformas propietarias. Originalmente creado por GO-JEK en colaboración con Google Cloud, Feast se integra de manera nativa sobre el Modern Data Stack.
Permite a los ingenieros de datos definir entidades y características como código en Python (`feature_view`). Feast se encarga de dos tareas esenciales:
1. Construir conjuntos de datos de entrenamiento 'point-in-time correct' (libres de sesgo de fuga de datos o 'data leakage'): reconstruye con precisión quirúrgica el valor que tenía cada variable en el instante exacto en que ocurrió cada transacción pasada.
2. Sincronizar automáticamente esas características hacia una base de datos en memoria (Redis, Cassandra, Bigtable) para alimentar motores de recomendación y personalización en producción.
Ejemplo en la Práctica
Un equipo de ciencia de datos usa Feast con BigQuery y Redis para servir en 4 ms el score de afinidad de marca cuando el usuario abre la app móvil.