В работе с данными для обучения нейросетей много рутины: под каждую ML-модель нужно создать датасет, потом «вычеркнуть» лишние признаки (фичи) и протестировать точность предсказаний. Иногда при изменении датасета нужно собирать данные по новой. Это неудобно, если нужно переиспользовать уже собранные фичи для обучения новых моделей. Чтобы оптимизировать работу с данными, ML-инженеры объединили разные практики и сформировали парадигму Feature Store. По мотивам выступления Артёма Глазкова (@Allront), ведущего эксперта MLOps в Polymatica, коллеги написали статью, в которой рассказывают о том, что нужно бизнесу от Feature Store сегодня, и разобрали архитектуру «эталонного» решения. habr.com/ru/comp…s/702416