Penilaian penipuan dan risiko
Kecepatan kartu, usia perangkat, dan riwayat akun dibaca saat checkout, di jalur permintaan, sebelum pembayaran disetujui.
AI dan LLMMachine learningPaket Performance dan Scale
Feature Store ML Real-Time
Fitur bertipe untuk pengguna, item, dan sesi, ditulis oleh pipeline Anda dan dibaca oleh model Anda saat inferensi, dengan usianya menyertai.
- tipe fitur
- 3
- dikembalikan pada setiap pembacaan
- Usia
- pembacaan untuk banyak entitas
- Batch
Langkah 1 dari 5
Definisikan skema
Grup bertipe. Tipe yang salah ditolak saat penulisan.
Sesi contohplaying
# Definisikan skema
hotkv> FEATURE.CREATE user_features "Signals for scoring" SCHEMA age int64 ctr double country string
OK
Panduan beranimasi dengan perintah HotKV yang sebenarnya dan balasan contoh. Klik langkah mana pun untuk melompat ke sana. Perintah dan balasan tetap dalam bahasa Inggris, persis seperti yang Anda ketik dan lihat di HotKV.
Masalahnya
Model di produksi hanya sebaik fitur yang dilihatnya saat inferensi. Warehouse offline terlalu lambat untuk dikueri per permintaan, dan key-value store biasa tidak memiliki skema, sehingga bug pipeline yang menulis teks ke fitur numerik ditemukan oleh model, bukan oleh store.
Cara HotKV menanganinya
Grup fitur di HotKV memiliki skema bertipe. Pekerjaan streaming menulis nilai segar, pekerjaan batch melakukan backfill dengan cap waktunya sendiri, dan server model membaca satu entitas atau seluruh batch dalam satu panggilan. Setiap pembacaan mengembalikan kapan entitas terakhir diperbarui dan berapa usianya, sehingga fitur yang basi dapat dideteksi.
Langkah demi langkah
Apa yang terjadi, perintah demi perintah
- 01
Definisikan skema
Grup bertipe. Tipe yang salah ditolak saat penulisan.
FEATURE.CREATE user_features "Signals for scoring" SCHEMA age int64 ctr double country string - 02
Stream nilai segar
Pekerjaan streaming memperbarui fitur saat peristiwa tiba.
FEATURE.SET user_features user:42 ctr 0.051 country DE - 03
Backfill dengan waktu yang tepat
Pekerjaan batch memberi cap pada entitas dengan waktu saat nilainya benar, bukan waktu saat dimuat.
FEATURE.SETAT user_features user:42 1790985600123 age 31 - 04
Beri skor checkout
Server model membaca fitur pengguna, dengan waktu pembaruan dan usia dalam milidetik.
FEATURE.GET user_features user:42 - 05
Batch untuk banyak entitas
Peringkatkan satu halaman kandidat dengan satu panggilan.
FEATURE.BATCH user_features user:42 user:77 user:91 FEATURES ctr
Di mana ini cocok
Skenario dunia nyata
Peringkat dan iklan
Rasio klik dan minat terbaru dibaca untuk setiap kandidat di halaman dalam satu panggilan batch.
Harga dinamis
Fitur permintaan dan inventaris dialirkan terus-menerus dan dibaca oleh model harga pada setiap penawaran.
Bawaan
Yang Anda dapatkan
Skema bertipe
Fitur int64, double, dan string. Penulisan dengan tipe yang salah ditolak.
FEATURE.CREATEFEATURE.SCHEMAStreaming dan backfill
Tulis dengan waktu saat ini atau dengan waktu saat nilainya benar.
FEATURE.SETFEATURE.SETATKesegaran pada setiap pembacaan
Setiap pembacaan mengembalikan waktu pembaruan dan usia entitas.
FEATURE.GETPenyajian batch
Banyak entitas, fitur terpilih, satu panggilan.
FEATURE.BATCHFEATURE.STATSPertanyaan umum
Apakah ini menggantikan feature store offline saya?
Ini adalah sisi online, untuk pembacaan berlatensi rendah saat inferensi. Data pelatihan tetap bisa berasal dari warehouse Anda, dengan backfill ditulis ke HotKV dengan FEATURE.SETAT.
Bagaimana saya mendeteksi fitur yang basi?
Setiap FEATURE.GET mengembalikan waktu pembaruan terakhir dan usia dalam milidetik, sehingga server model dapat menolak atau menandai nilai lama.
Paket mana yang menyertakannya?
Feature store adalah bagian dari paket Performance dan Scale.
Kasus penggunaan terkait
Coba pada beban kerja Anda sendiri
HotKV berbicara protokol Redis, jadi Anda dapat mengarahkan klien yang sudah ada ke HotKV dan menjalankan perintah yang sama.