Aufbau von Machine-Learning-Systemen mit einem Feature Store

Kapitel 7. Modellabhängige und On-Demand-Transformationen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel schauen wir uns Datentransformationen in Trainings- und Inferenz-Pipelines an und wie man sicherstellt, dass die Transformationen in beiden Pipelines gleich sind. In Kapitel 2 haben wir modellabhängige Transformationen (MDTs) als Datentransformationen vorgestellt, die an Daten durchgeführt werden, nachdem sie aus dem Feature Store gelesen wurden, und die für ein bestimmtes Modell spezifische Features erstellen. Es gibt zwei große Klassen von MDTs: Merkmalstransformationen (für numerische und kategoriale Merkmale) und Transformationen, die eng mit nur einem Modell verbunden sind. Ein Beispiel für erstere ist die One-Hot-Kodierung kategorialer Variablen, während ein Beispiel für letztere die Textkodierung für ein LLM ist.

Wir schauen uns auch an, wie man Verzerrungen zwischen MDTs verhindern kann, die separat in Trainings- und Inferenz-Pipelines angewendet werden. Das ist nicht immer so einfach wie die Anwendung derselben versionierten Funktion in beiden Pipelines, da viele MDTs zustandsbehaftet sind und denselben Zustand (die Trainingsdatenstatistik des Modells) als Parameter in beiden Pipelines brauchen. Wir beginnen mit der Vorstellung gängiger Beispiele für Merkmalstransformationen und verschiedener Klassen modellspezifischer Transformationen. Anschließend schauen wir ...