Online and Offline Features — Онлайн- и офлайн-признаки

Часть признаков считается заранее, часть — в момент запроса. Расхождение между ними — главный источник инцидентов.

Ключевые тезисы

Тяжёлые агрегаты считают батчем и кладут в быстрое хранилище (Redis, Aerospike).
Признаки запроса (текущая корзина, устройство) считаются онлайн.
Определение признака должно быть одно на оба пути — иначе training/serving skew неизбежен.

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

Разделение по стоимости и свежести.

Тип признака	Где считается	Пример
Долгие агрегаты	батч, кладём в KV-хранилище	средний чек за 90 дней
Свежие агрегаты	стриминг	число операций за последний час
Контекст запроса	онлайн	устройство, время суток, корзина
Статические атрибуты	батч	сегмент, тариф

Одно определение признака на оба пути.

Опишите признак один раз в общей библиотеке или в feature store.
Логируйте признаки, использованные при онлайн-предсказании.
Регулярно сверяйте офлайн-пересчёт с залогированными значениями — расхождение больше допуска считается инцидентом.

На практике

Логирование признаков в момент запроса решает сразу две задачи: контроль skew и обучающая выборка, полностью соответствующая проду.

Признаки в реальном времени

Централизованное хранилище признаков, единое для обучения и онлайн-инференса.

Обработка по расписанию против непрерывной обработки событий. Разные задержки, разные гарантии, разная стоимость.

Чтение журнала изменений базы вместо периодических полных выгрузок.

Создание признаков, в которых закономерность становится линейно отделимой или просто более заметной для модели.

На табличных данных грамотные признаки дают больший прирост, чем смена модели.