패스트캠퍼스 챌린지 44일차

feast feature store
feast를 활용한 ml 라이플 사이클
feast를 적용하지 않는 경우 실시간 데이터 처리와 변형을 통한 feature 생성, 모델 훈련과 제공이 하나의 pipeline에서 이루어지는 end-to-end 시스템
실시간 데이터 => 실시간 처리 =>features
데이터 웨어하우스 => 데이터 가공 => features or 모델 훈련=> 모델 배포=> 모델 제공 => features or 운영시스템

feast를 적용한 경우
feature 생성, 모델 훈련, 모델 제공의 3가지 영역
feast를 이용해 할 수 있는 일들
실시간/batch 데이터의 추가와 저장을 관리한다.
환경에 관곙벗는 feature 정의 표준화가 가능해진다
참조를 통해 feature의 공유와 재사용이 쉬워진다
훈련과 제공이 필요한 데이터 일관성이 유지된다.
모델 훈련을 위한 feature 를 적기에 활용할 수 있게 해준다
feature의 tracking,validating,monitoring을 통해 모델 성능 유지 가능해진다.

feast를 이용해 할 수 없는 일들
작업흐름관리airflow,luigi
데이터 웨어하우스 데이터 레이크 hive,snowflake
데이터 탐색 시스템 datahub
파이프라인 생성 kubeflow
feature engienering tool pandas,spark
데이터 버전 관리 dvc,pachyderm
모델 제공 메타데이터 관리 seldon,bento
팀 협업활동

#직장인인강 #직장인자기계발 #패스트캠퍼스후기#온라인패키지:머신러닝서비스구축을위한실전MLOps#머신러닝서비스구축을위한실전MLOps온라인패키지Online.
https://bit.ly/37BpXiC

패스트캠퍼스 [직장인 실무교육]

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.