Feature Store e Pipelines de Features¶

Definição clara¶

Feature Store é um sistema para armazenar, versionar e servir features de forma consistente entre treino e inferência.

Explicação conceitual¶

Ele resolve um problema clássico de engenharia: divergência entre cálculo offline e online. A mesma lógica de feature deve ser reutilizada para evitar training-serving skew.

Como funciona internamente¶

Definição declarativa de features.
Pipeline batch/stream gera e materializa valores.
Armazenamento offline (treino) e online (baixa latência).
Lookup por entidade/chave durante inferência.
Monitoramento de frescor e qualidade.

Exemplos práticos¶

Feature "número de compras últimos 30 dias".
Embeddings de usuário para recomendação.
Features de risco para motor antifraude.

Quando usar¶

Múltiplos modelos reutilizando features.
Ambientes com inferência em tempo real.
Necessidade de governança e lineage.

Limitações¶

Custo extra de plataforma.
Exige disciplina de versionamento de schemas.
Complexidade com features em streaming.

Relação com outros conceitos¶

Componente essencial da Arquitetura de Sistemas de IA em Produção.
Alimenta modelos de Aprendizado Supervisionado.
Pode armazenar vetores usados em Tokenização e Embeddings.

Exemplos em Python quando aplicável¶

# Exemplo simplificado de transformação de feature
import pandas as pd

df = pd.DataFrame({"user_id": [1, 1, 2], "valor": [100, 50, 20]})
features = df.groupby("user_id", as_index=False).agg(
    total_gasto_30d=("valor", "sum"),
    qtd_transacoes_30d=("valor", "count"),
)
print(features)