1. 在线和离线特征
如果在训练和推理系统中特征工程代码不相同，则存在代码不一致的风险，因此，预测可能不可靠，因为特征可能不相同。一种解决方案是让特征工程作业将特征据写入在线和离线数据库。训练和推理应用程序在做出预测时都需要读取特征-在线应用可能需要低延迟（实时）访问该特征数据，另一种解决方案是使用共享特征工程库（在线应用程序和训练应用程序使用相同的共享库）。
2. 时间旅行
“考虑到过去发生的事件，事件发生期间特征价值是什么？“
通常数据库不支持时间旅行，即通常无法在某个时间点查询某个列的值。当然可以通过确保定义特征数据的schema都包含datetime / event-time列来解决此问题，最近的数据湖通过存储所有更新以支持对旧特征值查询，从而增加了对时间旅行查询的支持。一些支持时间旅行功能的数据平台：
- Apache Hudi
- Databricks Delta
- Data Version Control (更像Git而不是数据库)
3. 特征工程
Michelangelo添加了特定领域语言（DSL）以支持原始数据源（数据库，数据湖）的工程特征。使用通用框架（如Apache Spark / PySpark，Pandas，Apache Flink和Apache Beam）也是一个不错的选择。
4. 物化训练/测试数据
模型的训练数据既可以直接从特征存储传输到模型中，也可以物化到存储系统（例如S3，HDFS或本地文件系统）中。如果将多个框架用于ML – TensorFlow，PyTorch，Scikit-Learn，则建议将训练/测试数据物化为框架的本机文件格式（Tensorflow为.tfrecords，PyTorch为.npy）。
ML框架的常见文件格式：
- .tfrecords（TensorFlow / Keras）
- .npy（PyTorch，Scikit-Learn）
- .csv（Scikit-Learn等）
- .petastorm（TensorFlow / Keras，PyTorch）
- .h5（Keras）
5. 在线特征存储
模型可能具有数百个特征，但是在线应用程序可能只是从用户交互（userId，sessionId，productId，datetime等）中接收了其中的一些特征。在线应用程序使用在线特征存储来查找缺失的特征并构建特征向量，该特征向量被发送到在线模型以进行预测。在线模型通常通过网络提供服务，因为它将模型的生命周期与应用程序的生命周期不相同。在线特征存储的延迟、吞吐量、安全性和高可用性对于其在企业中的成功至关重要。下面显示了现有特征存储中使用k-v数据库和内存数据库的吞吐量。
6. 特征存储对比
