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.
Бэкенд-разработчик, Специалист по данным / Специалист по машинному обучению, Руководитель команды / Технический руководитель
Средний
Стафф/принципал инженер с платформенным бэкграундом и опытом модернизации легаси-систем.
В RWB занимается инфраструктурой для ML, разработкой и развитием feature store.