Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Lexique

Feature store : définition, composantes et cas où s'en passer

Domaine

Data

L'essentiel

Un feature store, traduit ici par magasin de variables, est le composant d'une chaîne d'apprentissage automatique qui enregistre la définition des variables d'entrée des modèles (features), en stocke les valeurs et les sert à l'entraînement comme en production. Les projets ouverts Feast et Hopsworks décrivent le feature store autour de deux accès : hors ligne sur l'historique, en ligne à faible latence.

Sommaire de la page

Définition du feature store

Dans un modèle d’apprentissage automatique, une feature est une variable d’entrée : l’ancienneté d’un compte, le nombre d’achats d’un client sur trente jours. Un feature store, que nous traduisons par magasin de variables, est le composant qui enregistre la définition de ces variables, en stocke les valeurs et les sert aux modèles, à l’entraînement comme en production. Le terme relève de l’usage.

La documentation du projet ouvert Feast présente son feature store comme composé de deux éléments : un magasin hors ligne (offline store), d’où s’extrait l’historique qui sert à l’entraînement, et un magasin en ligne (online store), qui sert les variables à faible latence en production. Celle de Hopsworks, autre projet ouvert, distingue de même une interface en ligne à faible latence et une interface hors ligne à haut débit, qui sert à constituer les données d’entraînement.

Le défaut visé : deux calculs pour une même variable

Sans composant commun, une même variable peut se calculer deux fois. Une première fois sur l’historique, pour entraîner le modèle. Une seconde dans le code de l’application, au moment de prédire. Les deux versions peuvent diverger, sur la fenêtre de temps retenue ou sur le traitement d’une valeur manquante. Le modèle reçoit alors en production des entrées qui ne ressemblent plus à celles de son entraînement (training-serving skew).

Un second défaut tient aux dates. Un jeu d’entraînement associe à chaque exemple la valeur que la variable avait à cet instant. Y glisser une valeur connue plus tard fausse l’évaluation du modèle. Feast et Hopsworks documentent pour cela des jointures dites point-in-time, qui écartent les valeurs postérieures à la date de l’exemple.

De quoi se compose un feature store

  1. Un registre des définitions : nom de la variable, entité décrite, source. Il joue pour les variables le rôle d’un catalogue de données et permet leur réutilisation d’un modèle à l’autre.
  2. Un magasin hors ligne, qui garde l’historique horodaté des valeurs. Il peut reposer sur l’entrepôt ou le lakehouse déjà en place.
  3. Un magasin en ligne, qui tient prêtes, pour chaque entité, les valeurs à servir au moment de la prédiction.
  4. Un service d’accès, interrogé par lots pour l’entraînement et à l’unité pour la prédiction.

Le calcul des valeurs reste en amont. Feast précise n’être ni un système d’ETL ou d’ELT, ni un orchestrateur de traitements.

Le cas d’une billetterie de spectacles

Prenons une billetterie de spectacles en ligne qui recommande des événements à ses visiteurs. L’une des variables du modèle est le nombre de billets achetés par le visiteur sur trente jours. Pour l’entraînement, le magasin hors ligne restitue, pour chaque visite passée, la valeur qu’avait cette variable au moment de la visite. En production, le magasin en ligne fournit la valeur courante pendant l’affichage de la page.

Lorsqu’une autre équipe prépare un modèle de détection des reventes abusives, elle trouve la variable dans le registre et la réutilise.

Feature store, entrepôt de données, registre de modèles : ne pas confondre

La documentation de Feast écarte la première confusion : Feast ne remplace pas l’entrepôt de données, il forme en aval une couche légère, qui sert aux modèles des données qui s’y trouvent.

Le registre de modèles conserve les versions des modèles entraînés et leur statut, comme l’indique notre fiche MLOps. Le feature store conserve leurs entrées. Feast indique ne pas couvrir entièrement la gestion des expériences, ni versionner les jeux de données, et cite pour ces besoins des outils tels que MLflow ou Kubeflow.

Les cas où un feature store est de trop

Un feature store ajoute deux magasins à synchroniser et un service à exploiter. Pour un modèle exécuté par lots, dont les variables ne servent à aucun autre, une table de variables versionnée dans l’entrepôt peut suffire. Il ne corrige pas non plus les données reçues : une source fausse donne une variable fausse.

Le feature store est l’une des briques d’une chaîne plus large, que présente notre page MLOps et LLMOps, du versionnement à la surveillance de la dérive.

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Qu'est-ce qu'un feature store ?

Un feature store, traduit ici par magasin de variables, est le composant qui enregistre la définition des variables d'entrée des modèles d'apprentissage automatique, en stocke les valeurs et les sert aux modèles. Un feature store fournit les mêmes variables à l'entraînement, à partir de l'historique, et à la prédiction en production.

À quoi servent le magasin hors ligne et le magasin en ligne d'un feature store ?

Le magasin hors ligne d'un feature store (offline store) conserve l'historique horodaté des valeurs et sert à constituer les jeux d'entraînement. Le magasin en ligne (online store) tient prêtes, pour chaque entité, des valeurs précalculées qu'il restitue à faible latence au moment de la prédiction. La documentation du projet Feast présente ces deux magasins comme les deux éléments de base de son feature store.

Un feature store remplace-t-il l'entrepôt de données ?

La documentation du projet Feast indique que Feast ne remplace pas l'entrepôt de données et qu'il forme une couche en aval, capable de servir aux modèles des données qui s'y trouvent. Un feature store ajoute à l'entrepôt de données la lecture en ligne à faible latence et la reconstitution des valeurs à une date donnée.

Faut-il un feature store pour mettre un modèle en production ?

Un feature store n'est pas un préalable. Un modèle exécuté par lots, dont les variables ne servent à aucun autre modèle, peut s'alimenter à une table de variables versionnée dans l'entrepôt de données. Le feature store prend son intérêt lorsque des modèles prédisent en ligne ou que plusieurs équipes partagent les mêmes variables. Il ajoute en contrepartie deux magasins à synchroniser et un service à exploiter.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.