モデルの性能は入力される特徴量で決まり、学習時にも本番と同じ特徴量を使う必要があります。特徴量パイプラインは、生のイベントから「直近30日間の注文数」のような値を計算します。オフラインストアは学習用にその履歴を保持し、オンラインストアは低レイテンシのサービングのためにエンティティごとの最新値を保持します。
主な落とし穴は2つです。学習とサービングのずれは、2つの経路が特徴量を別々の方法で計算したとき、たとえば異なるコードや異なる時間ウィンドウを使ったときに起きます。リークは、学習データの例が、予測を行うはずだった時点より後のデータを使ったときに起き、オフラインのスコアは非常に良く見えても、本番の結果は期待外れになります。各特徴量の値を例のタイムスタンプ時点のものとして取得するポイントインタイム結合によって、リークを防げます。