Online feature store — от фасада до платформы материализации

AI/ML

Тезисы

Поделюсь опытом построения онлайн (inference) feature-store. Разберём, почему мы начали с инференс-стора, почему пошли в сторону платформизации, как выбирали хранилище, вычислительный движок, какой ценой достигли латентности 50 мс (и откуда такие требования) и какие архитектурные, технические и организационные решения пришлось принимать (и чем пожертвовать) на стыке ML, DevOps и дата-инженерии.


Аудитория

Бэкенд-разработчик, Специалист по данным / Специалист по машинному обучению, Руководитель команды / Технический руководитель


Уровень сложности

Средний

Запись доклада

Презентация

Презентация (на Я.Диске)
RWB
Дмитрий Салахутдинов

Стафф/принципал инженер с платформенным бэкграундом и опытом модернизации легаси-систем.

В RWB занимается инфраструктурой для ML, разработкой и развитием feature store.

Другие спикеры трека AI/ML