Видео

Привет! Не совсем, по сути Feast - это всего лишь интерфейс, абстракция, отделяющая фичи (логику) от реализации (хранения). Вы можете использовать довольно широкий набор готовых адаптеров для онлайн/офлайн хранилищ. В данный момент поддерживаются, например: Cassandra, Postgres, Apache Spark, Redshift и т. д. Можно также реализовать и кастомный адаптер для других реализаций БД. Подробнее можно посмотреть тут docs.feast.dev/reference/offline-stores

@@AlexanderSergeenko Допустим, я хочу организовать обучение модели. Я создаю фичи (логику) в Feast. При сборке датасета запрашиваю данные по фичам у Feast. Он сможет забирать их из существующего dwh, не создавая нигде новых таблиц?

​​​@@MrBlackzubИспользовать текущее DWH в качестве хранилища фичей - можно, но важно понимать, что feast не хранит логику формирования фичей (только логику извлечения готовых/метаданные), вам придется подготовить датасеты фичей в DWH сторонними ETL/ELT, на основе прочих слоев хранилища.

Добрый день! Здесь речь именно про подход с инкрементальными изменениями (например parquet + доп. метаданные), аналогичный DeltaLake от Databricks.

Большое спасибо за отзыв!

Thanks!

Glad it helped

Привет! Следите за обновлениями, к концу недели начну публиковать цикл роликов о потоковой обработке :)

Спасибо!

Thanks, I appreciate!

Материализация фичей в контексте Feast - это перенос фичей из оффлайн-хранилища (например, PostgreSQL) в онлайн-хранилище (например, Redis). Этот механизм поддерживает целостность в фичах между оффлайн- и онлайн-применением.

"Небольшой" - это довольно размытая категория, начинать можно даже с формата MVP. Feast в базовом виде не очень требователен к ресурсам.

Спасибо!

Спасибо!

Thanks! I appreciate your feedback.

Thanks!

Thanks!

Ретроспективно вижу, что многое можно было бы переделать или сделать удобнее, но что сделано - то сделано :) Спасибо за комментарий!

@@AlexanderSergeenko для начинающих круто

Hi, sure! github.com/Lockdain/flink-ml-2.0-iris

@@AlexanderSergeenko thanks alot

Thanks!

You’re welcome!

I bought this one for 20 dollars

My pleasure!

This idea was adeptly formulated as follows: The major difference between a thing that might go wrong and a thing that cannot possibly go wrong is that when a thing that cannot possibly go wrong goes wrong it usually turns out to be impossible to get at or repair. -Douglas Adams, Mostly Harmless (1992)

Unfortunately no. I just created a few MVPs using Flink ML.

Thanks. I appreciate

Done! Please look for the "Software engineering (all videos)" playlist.

Привет, спасибо! С заставками борюсь, в новых видео их значительно меньше.

Hi, can you make your question more specific?

@@AlexanderSergeenko sorry, I miss a word ^^ : What is the difference between a feature store and a dataset preprocessed we load to a database ?

Hi there! What do you mean by "properly"? Are there any problems with showing?

@@AlexanderSergeenko What you say and what comes up in the CC are very different. You say "Demand" and it shows "diamond". That was one example, but it becomes hard to follow in some parts of the video. Your explanation of backpressure and how WebFlux handles it is on target, but the CC generated sucks

@@srinimurthy Oh, you're right. Thanks for the feedback. I've checked the CC and it looks horrible at some moments. Will try to add CC manually later.