Feature Stores : anatomie, bénéfices et limitations

En bref

Qu’est-ce qu’un Feature Store, qu’est-ce qu’une Feature Platform ? Qu’est-ce qui les distinguent ? À quels problèmes répondent-t-ils ? Combien coûtent-ils ? Pour quels bénéfices concrets ?

Depuis les communications d’Uber en 2017 quant aux détails d’implémentation de leur ML Platform Michechangelo, le sujet des Feature Stores refait régulièrement surface dans les discussions liées au Machine Learning.

Dans cette présentation, nous prendrons le temps de déconstruire ce qui se cache derrière ces notions de Feature Store/Platform, et tenterons de démystifier certaines idées reçues.

On y discutera notamment des problématiques liées à la performance de la modélisation, aux contraintes de temps d’inférence, à la fraîcheur des données utilisées à l’entraînement ou à l’inférence, à la collaboration entre les data scientists et ML engineers, aux difficultés inhérentes de partage de données entre les équipes d’une même organisation, etc.

A l’issue de cette présentation, vous saurez à quelle étape de votre trajectoire MLOps vous poser la question d’introduire un tel système dans votre boite à outils!

A propos de nibble

Fondée par Florent Piétot et Edouard Théron, nibble accompagne les entreprises dans la mise en production de leurs systèmes d’intelligence artificielle. Outre une activité de conseil et d’assistance technique à haute valeur ajoutée, nibble commercialise également spice, un logiciel qui aide data scientists et machine learning engineers à mieux maîtriser leurs processus de Feature Engineering.

Bien que focalisé depuis sa création sur les problèmes applicatifs liés au développement et à la maintenance des features, spice évolue au fil des mois pour adresser l’ensemble des fonctionnalités d’une Feature Platform.