Sebuah model hanya sebaik feature yang dilihatnya, dan model itu harus melihat feature yang sama saat training seperti di produksi. Pipeline feature menghitung nilai seperti "pesanan dalam 30 hari terakhir" dari event mentah. Offline store menyimpan riwayatnya untuk training; online store menyimpan nilai terbaru per entitas untuk serving berlatensi rendah.
Dua jebakan mendominasi. Training/serving skew terjadi ketika kedua jalur menghitung sebuah feature dengan cara yang berbeda, misalnya dengan kode yang berbeda atau window waktu yang berbeda. Kebocoran data terjadi ketika contoh training memakai data dari setelah saat prediksi seharusnya dibuat, sehingga skor offline tampak bagus sementara hasil di produksi mengecewakan. Point-in-time join, yang mengambil nilai setiap feature pada waktu timestamp contoh tersebut, mencegah kebocoran data.
Hitung setiap feature sekali saja untuk kedua jalur, sajikan dengan cepat, dan gabungkan tanpa membocorkan masa depan.