‏Databricks از Feature Views رونمایی کرد

Databricks از پابلیک پریویوی قابلیتی به اسم Feature Views خبر داده؛ یه فریم‌ورک برای ساخت پایپلاین‌های مدیریت‌شدهٔ فیچر مستقیم داخل Databricks. ایدهٔ اصلی اینه که یه فیچر یادگیری ماشینو یه بار تعریف کنی و همون تعریف همه‌جا استفاده بشه: هم برای دادهٔ تاریخی آموزش، هم برای پایپلاین‌های تولید در استنتاج batch یا بلادرنگ.

به گفتهٔ Databricks، مشکل رایج اینه که یه فیچر که تو نوت‌بوک کار می‌کنه، سر راه تولید تبدیل می‌شه به منطق تکراری، پایپلاین‌های شکننده و دردسر مدیریت online store. Feature Views این پیچیدگیو کم می‌کنه؛ یه فیچرو تعریف می‌کنی و پلتفرم بقیهٔ مسیر از آزمایش تا سرو بلادرنگو خودش هندل می‌کنه.

مهم‌ترین حرفش رفع «انحراف آموزش/سرو» (training/serving skew)ئه؛ یعنی همون شکافی که بین نحوهٔ محاسبهٔ یه فیچر موقع آموزش و موقع سروئه. چون یه تعریف واحد وجود داره، پلتفرم مقدارهای آموزش و استنتاج آنلاینو با همون تعریف حساب می‌کنه تا با هم بخونن.

یه تعریف واحد هم منبع batch رو پشتیبانی می‌کنه هم streaming؛ سوییچ از یه منبع batch به streaming فقط چند خط کده. برای فیچرهای استریمی از Kafka، تأخیر end-to-end رو تا p99 معادل ۲۰۰ میلی‌ثانیه از رویداد تا در دسترس بودن آنلاین می‌رسونه.

وقتی فیچر آمادهٔ تولیده، تو Unity Catalog ثبتش می‌کنی و materialize_features رو صدا می‌زنی تا Databricks پایپلاین‌ها رو خودش بسازه و مدیریت کنه. فیچرهای متریالایز‌شده به آبجکت‌های Unity Catalog تبدیل می‌شن؛ قابل کشف، دسترسی‌کنترل‌شده و با lineage کامل. موقع لاگ‌کردن مدل با MLflow هم وابستگی‌های فیچر ثبت می‌شن و Model Serving خودکار سراغشون می‌ره.

نکات کلیدی:

• Feature Views: یه فیچرو یه بار تعریف کن، همه‌جا استفاده کن
• هدف اصلی: رفع انحراف آموزش/سرو با یه تعریف واحد
• یه تعریف، هم batch هم streaming (تأخیر p99 حدود ۲۰۰ms)
• فیچرها به آبجکت‌های Unity Catalog با lineage تبدیل می‌شن