Was ist ein Feature Store?
PlattformEin Feature Store ist eine zentrale Plattform, die Machine-Learning-Features (vorbereitete Eingabedaten) einmal berechnet, versioniert und für Training und Online-Inferenz bereitstellt. Er verhindert, dass jedes Team Features neu und unterschiedlich aufbereitet.
Kurz vorwegEin Feature Store lohnt sich erst ab mehreren Modellen im Betrieb. Online-Inferenz und Feature Platforms
Feature Store: Definition
In Machine-Learning-Projekten werden Eingabedaten (Features) aufwendig aufbereitet: bereinigt, transformiert, aggregiert. Ohne zentrale Plattform baut jedes Team diese Aufbereitung separat - mit einem typischen Ergebnis: Trainings- und Produktionsdaten laufen auseinander.
Ein Feature Store löst das, indem er Features einmal berechnet und versioniert. Dieselben Features stehen dann sowohl dem Training als auch der Online-Inferenz zur Verfügung. Damit sorgen Feature Stores für konsistente Daten zwischen Entwicklung und Produktion - die Grundlage dafür, dass ein Modell im Betrieb das liefert, was es im Training versprochen hat.
- Zweck
- ML-Features zentral berechnen, versionieren und bereitstellen
- Kernidee
- Einmal aufbereitet, überall genutzt - Training und Inferenz sehen dieselben Daten
- Typischer Einsatz
- Mehrere ML-Teams, Online-Inferenz, konsistente Echtzeit-Features
- Verwandt
- MLOps, Databricks, AWS-/Azure-Feature-Stores
Warum scheitern Projekte ohne Feature Store?
Ein Modell, das im Training gute Ergebnisse zeigt, kann in Produktion versagen, weil die Daten dort anders aussehen: Andere Transformation, andere Zeitpunkte, andere Definitionen. Das ist kein Modellfehler, sondern ein Datenfehler.
Der Feature Store macht diese Diskrepanz unmöglich: Features werden einmal definiert, einmal berechnet und versioniert. Was beim Training verwendet wurde, ist in Produktion garantiert identisch verfügbar.
Wann lohnt sich ein Feature Store?
- mehrere Teams Modelle bauen und dieselben Features nutzen
- Modelle in Echtzeit (Online-Inferenz) laufen
- Features rechenintensiv sind und nicht pro Team neu berechnet werden sollen
- Training und Produktion bisher unterschiedliche Daten sehen
- ein einzelnes Modell mit wenigen Features existiert
- Features einfach und schnell pro Team berechenbar sind
- kein Echtzeit-Betrieb geplant ist
Feature Store oder Data Warehouse?
Beide halten aufbereitete Daten vor. Der Unterschied liegt im Zeitverhalten und darin, wer sie liest.
| Kriterium | Feature Store | Data Warehouse |
|---|---|---|
| Leser | Modelle, im Training und zur Laufzeit | Menschen, über Berichte und Dashboards |
| Antwortzeit | Millisekunden für einzelne Abfragen | Sekunden bis Minuten für Auswertungen |
| Kernproblem | gleiche Berechnung in Training und Betrieb | konsistente Kennzahlen über Bereiche |
| Zeitbezug | Stand zum Vorhersagezeitpunkt, ohne Blick in die Zukunft | aktueller oder historischer Gesamtstand |
| Ohne ihn | Modell rechnet im Betrieb anders als im Training | widersprüchliche Zahlen in Berichten |
In welchen Stufen ein Feature Store entsteht
Kaum ein Team startet mit der vollen Ausbaustufe. Die Reihenfolge ist wichtiger als die Werkzeugwahl.
Der Feature Store ist kein Produkt, das man kauft und anschließt - er ist eine Datenarchitektur-Entscheidung. Die Frage ist nicht „welches Tool“, sondern: Welche Features sind unternehmensweit einheitlich definiert, und wer pflegt sie?
„Ein Feature Store ist wie ein Data Lake, nur für ML." Ein Data Lake speichert Rohdaten, ein Feature Store speichert fertig aufbereitete, versionierte Features - das sind unterschiedliche Schichten, keine Synonyme.
Häufige Fragen zu Feature Store
Was ist der Unterschied zwischen Feature Store und Data Lake?
Ein Data Lake speichert Rohdaten in beliebigem Format. Ein Feature Store speichert fertig aufbereitete, versionierte Features, die direkt für Modelltraining und Inferenz nutzbar sind. Der Data Lake ist die Quelle, der Feature Store das Produkt daraus.
Braucht jedes ML-Team einen Feature Store?
Bei einzelnen Modellen und kleinen Teams reicht meist eine saubere Pipeline. Sobald mehrere Teams dieselben Features nutzen oder Modelle in Echtzeit laufen, zahlt sich die zentrale Plattform aus.
Ob ein Feature Store für Ihre ML-Umgebung der richtige Schritt ist, klären wir anhand Ihrer Datenlandschaft - nicht anhand einer Tool-Liste.
Online-Inferenz und Feature Platforms