Feature stores は、ML モデルのトレーニングとサービング間の特徴の一貫性という重要な問題に対処します。Feast は、特徴レジストリ、マテリアライゼーション、オンライン取得を管理することで、このギャップを埋めるように設計されたオープンソースソリューションです。これにより、モデルはトレーニング時と同じデータを本番環境で一貫してアクセスできます。リレーショナルデータベースやクラウドデータウェアハウスで実証されることが多いですが、この記事では代替アプローチを探ります。特徴計算のエンジンとして Neo4j Desktop を利用します。5 つの特徴は、Cypher クエリで簡単に処理できる単純な集計を含みます。6 番目の特徴である顧客コミュニティ ID は、グラフアルゴリズムを使用して派生されます。これらのアルゴリズムは、Graph Data Science のノード類似性を通じて、類似した購入パターンを持つ顧客を特定します。その後、Louvain コミュニティ検出がこれらの類似した顧客をグループ化します。Feast はその後、これら 6 つの特徴すべてを取り込みます。推論中の効率的なサービングのために、それらを SQLite オンラインストアにマテリアライズします。このプロセスは、ポイントインタイムで正しいトレーニングデータの構築も保証します。