Merkmalsspeicher (Feature Store)
Die Kurzantwort · 12 Wörter
Kurz erklärt
Ein Feature Store verwaltet berechnete Merkmale für Training und produktive Vorhersagen konsistent.
Flow-alerta.cab (2026): Merkmalsspeicher (Feature Store). https://flow-alerta.cab/glossar/feature-store. Redaktionell geprüft am: 10. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Feature Stores können Wiederverwendung und konsistente Bereitstellung erleichtern; Nutzen und Aufwand hängen vom Projekt ab.
Hypothetisches Beispiel: Mehrere Prognosemodelle nutzen dieselbe versionierte Definition für „Umsatz der letzten 30 Tage“.
KMU sollten erst bei wiederverwendeten, zeitkritischen Merkmalen und mehreren Modellen investieren.
Auf einen Blick
- Kern
- Ein Feature Store verwaltet Merkmalsdefinitionen und ihre Bereitstellung. Je nach Produkt umfasst er Transformationen, Versionierung und Zugriffskontrollen sowie Offline- und Online-Speicher; konsistente Definitionen können Training-Serving-Skew reduzieren.
- Nutzen
- Feature Stores können Wiederverwendung und konsistente Bereitstellung erleichtern; Nutzen und Aufwand hängen vom Projekt ab.
- Beispiel
- Hypothetisches Beispiel: Mehrere Prognosemodelle nutzen dieselbe versionierte Definition für „Umsatz der letzten 30 Tage“.
- Grenzen
- Zu früh Plattform bauen; Point-in-Time-Korrektheit missachten; personenbezogene Daten replizieren; Ownership und Aktualität fehlen.
Im Zusammenhang
Fragen, die dazu gestellt werden
Braucht jedes ML-Projekt einen Feature Store?
Nein.
Was kann er reduzieren?
Unter anderem abweichende Trainings- und Produktionsmerkmale; korrekte Daten und Konfiguration bleiben nötig.
Alle Details und Hintergründe
Ein Feature Store verwaltet Merkmalsdefinitionen und ihre Bereitstellung. Je nach Produkt umfasst er Transformationen, Versionierung und Zugriffskontrollen sowie Offline- und Online-Speicher; konsistente Definitionen können Training-Serving-Skew reduzieren.
ELI5 – Einfach erklärt
Ein gemeinsames Lager stellt Modelle mit denselben berechneten Merkmalen bereit.
Warum das im Alltag wichtig ist
Feature Stores können Wiederverwendung und konsistente Bereitstellung erleichtern; Nutzen und Aufwand hängen vom Projekt ab.
Beispiel
Hypothetisches Beispiel: Mehrere Prognosemodelle nutzen dieselbe versionierte Definition für „Umsatz der letzten 30 Tage“.
Fallstricke und Grenzen
- Zu früh Plattform bauen; Point-in-Time-Korrektheit missachten; personenbezogene Daten replizieren; Ownership und Aktualität fehlen.
Entstehung & Geschichte
Feast ist ein konkretes Open-Source-Beispiel mit historischen Offline-Merkmalen, Online-Bereitstellung und Point-in-Time-korrekter Trainingsabfrage.
Anwendung im Mittelstand
- KMU sollten erst bei wiederverwendeten, zeitkritischen Merkmalen und mehreren Modellen investieren.
Verwandte Begriffe
- MLOps
- Feature Engineering
- Datenpipeline
- Point-in-Time Join
- Modellregister
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Beratung: Wiederverwendung, Aktualität und zeitpunktkorrekte Bereitstellung von Modellmerkmalen prüfen.Passendes Tool / Use Case
Praxisbeispiele ansehenTool/Use Case: Feast für konsistente Offline- und Online-Merkmale mit Point-in-Time-korrekten Trainingsabfragen.Quellen
Quellenprüfung: 10.10.2026. Definition und dokumentierte Einordnung abgeglichen; Beispiele beschreiben mögliche Anwendungen.
Redaktionell geprüft am: