Feast एक ओपन-सोर्स फीचर स्टोर है जिसे मशीन लर्निंग वर्कफ्लो के लिए डिज़ाइन किया गया है। यह फीचर्स - मशीन लर्निंग मॉडल द्वारा उपयोग किए जाने वाले इनपुट वेरिएबल - को परिभाषित करने, प्रबंधित करने और प्रस्तुत करने के लिए एक केंद्रीकृत प्लेटफॉर्म प्रदान करता है, जो प्रशिक्षण और ऑनलाइन अनुमान दोनों में काम करता है। फीचर भंडारण और पहुंच को मानकीकृत करके, Feast का उद्देश्य फीचर इंजीनियरिंग के परिचालन बोझ को कम करना और मॉडल प्रशिक्षण के दौरान उपयोग किए जाने वाले फीचर्स तथा उत्पादन में प्रस्तुत किए जाने वाले फीचर्स के बीच स्थिरता सुनिश्चित करना है।
Feast को शुरू में Gojek द्वारा विकसित किया गया था और 2019 में पहली बार एक ओपन-सोर्स प्रोजेक्ट के रूप में जारी किया गया। बाद में यह Linux Foundation के AI & Data समूह के अंतर्गत एक प्रोजेक्ट बन गया, जिसमें Tecton जैसी कंपनियों का योगदान शामिल था, जिसकी सह-स्थापना Feast के मूल रचनाकारों ने की थी। प्रोजेक्ट का नाम "Feature Store" का संक्षिप्त रूप है, जो इसके मूल उद्देश्य को दर्शाता है।
मुख्य अवधारणाएँ
Feast मशीन लर्निंग फीचर्स को एक संरचित ढांचे में व्यवस्थित करता है। प्राथमिक इकाइयों में शामिल हैं:
- फीचर व्यू (Feature Views): फीचर्स का एक तार्किक समूह जो एक सामान्य डेटा स्रोत और समय विंडो साझा करता है। प्रत्येक फीचर व्यू स्कीमा, स्रोत डेटा और फीचर्स उत्पन्न करने के लिए लागू किए गए परिवर्तनों को परिभाषित करता है।
- इकाइयाँ (Entities): वे कुंजियाँ जो फीचर्स के विषयों की पहचान करती हैं, जैसे उपयोगकर्ता ID या लेनदेन ID। इकाइयाँ फीचर्स को विशिष्ट डेटा बिंदुओं से जोड़ती हैं।
- फीचर सेवाएँ (Feature Services): फीचर व्यू का एक संग्रह जिसे किसी विशेष मॉडल या एप्लिकेशन के लिए फीचर्स प्रस्तुत करने हेतु एक साथ उपयोग किया जा सकता है।
- डेटा स्रोत (Data Sources): अंतर्निहित भंडारण प्रणालियाँ, जैसे BigQuery, Redshift, या Kafka, जिनसे फीचर्स की गणना करने के लिए कच्चा डेटा पढ़ा जाता है।
वास्तुकला और घटक
Feast की वास्तुकला कई प्रमुख घटकों से बनी है जो फीचर जीवनचक्र को प्रबंधित करने के लिए एक साथ काम करते हैं:
- Feast Core: केंद्रीय रजिस्ट्री जो फीचर व्यू, इकाइयों और डेटा स्रोतों के बारे में मेटाडेटा संग्रहीत करती है। यह फीचर परिभाषाओं के लिए रिकॉर्ड की प्रणाली के रूप में कार्य करता है।
- Feast Serving: वह सेवा जो ऑनलाइन अनुमान के लिए फीचर्स तक कम-विलंबता पहुंच प्रदान करती है। यह ऑनलाइन स्टोर से फीचर्स प्राप्त करती है और उन्हें मॉडल सर्विंग सिस्टम को लौटाती है।
- Feast Job Service: एक घटक जो बैच और स्ट्रीमिंग डेटा स्रोतों से फीचर्स की गणना का प्रबंधन करता है, ऑफ़लाइन और ऑनलाइन दोनों स्टोर को भरता है।
- ऑफ़लाइन स्टोर (Offline Store): ऐतिहासिक फीचर डेटा के लिए एक भंडारण प्रणाली, जो आमतौर पर प्रशिक्षण डेटासेट के लिए उपयोग की जाती है। यह डेटा लीकेज से बचने के लिए पॉइंट-इन-टाइम सही जॉइन का समर्थन करती है।
- ऑनलाइन स्टोर (Online Store): एक तेज़-पहुंच भंडारण प्रणाली, जैसे Redis या DynamoDB, जो ऑनलाइन भविष्यवाणियों के लिए वास्तविक समय में फीचर्स प्रस्तुत करती है।
उपयोग और वर्कफ्लो
Feast आमतौर पर निम्नलिखित वर्कफ्लो में उपयोग किया जाता है:
- फीचर्स परिभाषित करें: डेटा वैज्ञानिक या इंजीनियर Python या YAML कॉन्फ़िगरेशन फ़ाइलों का उपयोग करके फीचर व्यू और इकाइयों को परिभाषित करते हैं।
- लागू करें: परिभाषाओं को Feast रजिस्ट्री पर लागू किया जाता है, जो मेटाडेटा को अपडेट करता है।
- मटेरियलाइज़ करें: Feast डेटा स्रोतों से फीचर मानों की गणना करता है और उन्हें ऑफ़लाइन और ऑनलाइन स्टोर में संग्रहीत करता है।
- प्रशिक्षित करें: ऐतिहासिक फीचर्स ऑफ़लाइन स्टोर से प्राप्त किए जाते हैं ताकि प्रशिक्षण डेटासेट बनाए जा सकें।
- प्रस्तुत करें: अनुमान के दौरान, मॉडल सर्विंग सिस्टम Feast Serving के माध्यम से ऑनलाइन स्टोर से नवीनतम फीचर मान प्राप्त करने के लिए क्वेरी करता है।
यह वर्कफ्लो टीमों को कई मॉडलों में फीचर्स का पुन: उपयोग करने में सक्षम बनाता है और सुनिश्चित करता है कि प्रशिक्षण और उत्पादन दोनों में समान फीचर परिभाषाओं का उपयोग किया जाए।
पारिस्थितिकी तंत्र और एकीकरण
Feast विभिन्न डेटा और मशीन लर्निंग टूल्स के साथ एकीकृत होता है। यह ऑफ़लाइन स्टोर के रूप में Google Cloud BigQuery, Amazon Web Services Redshift, और Microsoft Azure Synapse जैसे क्लाउड डेटा वेयरहाउस का समर्थन करता है। ऑनलाइन सर्विंग के लिए, यह Redis, DynamoDB, या Firestore का उपयोग कर सकता है। Feast लोकप्रिय मशीन लर्निंग फ्रेमवर्क जैसे TensorFlow और PyTorch के साथ भी काम करता है, और स्केलेबिलिटी के लिए Kubernetes पर तैनात किया जा सकता है।
Feast की तुलना अक्सर Tecton और Hopsworks जैसे अन्य फीचर स्टोर से की जाती है, लेकिन यह ओपन-सोर्स और विक्रेता-तटस्थ होने के कारण खुद को अलग करता है। यह उन संगठनों के लिए एक लोकप्रिय विकल्प बनाता है जो लॉक-इन से बचना चाहते हैं और अपने फीचर इंफ्रास्ट्रक्चर पर पूर्ण नियंत्रण रखना चाहते हैं।
समुदाय और अपनाना
Feast ने मशीन लर्निंग समुदाय में महत्वपूर्ण अपनाना प्राप्त किया है। इसका उपयोग Gojek, Walmart, और Deliveroo जैसी कंपनियों द्वारा उनकी अनुशंसा और वैयक्तिकरण प्रणालियों को संचालित करने के लिए किया जाता है। प्रोजेक्ट का GitHub पर एक सक्रिय समुदाय है, जिसमें नियमित रिलीज़ और विभिन्न डेवलपर्स से योगदान शामिल हैं। Feast के दस्तावेज़ और ट्यूटोरियल मशीन लर्निंग समुदाय में फीचर प्रबंधन के मानक दृष्टिकोण के रूप में व्यापक रूप से संदर्भित हैं।
2024 तक, Feast नई सुविधाओं और सुधारों के साथ विकसित हो रहा है, जिसमें स्ट्रीमिंग फीचर्स के लिए बेहतर समर्थन और बड़े भाषा मॉडल वर्कफ्लो के साथ बेहतर एकीकरण शामिल है। कृत्रिम बुद्धिमत्ता पारिस्थितिकी तंत्र में इसकी भूमिका बढ़ने की उम्मीद है क्योंकि अधिक संगठन अपने ML संचालन को सुव्यवस्थित करने के लिए फीचर स्टोर अपनाते हैं।