Um modelo é tão bom quanto as features que enxerga, e precisa enxergar as mesmas features no treinamento e em produção. Os pipelines de features calculam valores como “pedidos nos últimos 30 dias” a partir de eventos brutos. Um armazenamento offline guarda o histórico desses valores para o treinamento; um armazenamento online guarda o valor mais recente por entidade para o serving de baixa latência.
Duas armadilhas dominam. O descompasso entre treinamento e serving acontece quando os dois caminhos calculam uma feature de forma diferente, por exemplo com códigos diferentes ou com janelas de tempo diferentes. O vazamento de dados acontece quando um exemplo de treinamento usa dados posteriores ao momento em que a previsão teria sido feita, o que faz as pontuações offline parecerem ótimas e os resultados em produção decepcionarem. As junções em um ponto no tempo, que pegam o valor de cada feature no instante do exemplo, evitam o vazamento.
Calcule cada feature uma única vez para os dois caminhos, sirva-as rápido e una-as sem vazar o futuro.