APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
Uma feature é uma informação usada pelo modelo no momento da previsão. A identidade e o instante fazem parte do seu significado. Para prever o atraso de um processamento às 06:00, uma medição registada às 06:20 não estava disponível. Uma pesquisa point-in-time obtém a observação adequada até ao instante pedido; não é o mesmo que abrir uma versão histórica inteira de uma tabela Delta. Define chaves que identifiquem corretamente a entidade, incluindo contexto quando necessário. Em Unity Catalog, tabelas de features permitem reutilização governada e rastreabilidade. O acesso entre workspaces depende do metastore e das permissões, não de uma publicação universal. Feature Views surgem na documentação como Public Preview; isso não significa que as tabelas tenham sido retiradas.
Aplicação guiada
Na preparação do treino, preserva a ligação entre dados, lookup e modelo. O conjunto devolvido por load_df deve corresponder às transformações efetivamente usadas; alterar uma coluna depois sem guardar a transformação pode criar divergência na inferência. O registo através das APIs de features guarda metadados para recuperar valores durante score_batch. Porém, uma coluna com o mesmo nome fornecida explicitamente pode substituir a pesquisa. Num incidente fictício, o batch passa valores antigos de utilização de CPU e o modelo aceita-os: o problema é o contrato de entrada, não necessariamente o algoritmo. Verifica colunas fornecidas, timestamps e proveniência antes de voltar a treinar.
Para 06:00, escolhe o valor das 05:50, não o das 06:20.
Armadilhas comuns
Feature mais recente como historicamente válida; transformação fora do modelo; override ignorado.
Tópicos relacionados: Ambiente, AutoML e reprodutibilidade · MLflow, registo e promoção · Dados, preparação e validação
A mesma chave e a mesma semântica temporal devem chegar ao treino e ao consumo.
Referência: Point-in-time feature lookups · 2025-03-01