Хранилища признаков решают критическую проблему несогласованности признаков между обучением и обслуживанием моделей машинного обучения. Feast — это решение с открытым исходным кодом, предназначенное для устранения этого разрыва путем управления реестрами признаков, материализацией и онлайн-извлечением. Это гарантирует, что модели последовательно получают доступ к тем же данным в производственной среде, что и во время обучения. Хотя часто демонстрируется с использованием реляционных баз данных или облачных хранилищ данных, в этой статье исследуется альтернативный подход. В ней используется Neo4j Desktop в качестве движка для вычисления признаков. Пять признаков включают простые агрегации, которые легко обрабатываются запросами Cypher. Шестой признак, идентификатор сообщества клиентов, получается с использованием графовых алгоритмов. Эти алгоритмы идентифицируют клиентов со схожими моделями покупок с помощью сходства узлов Graph Data Science. Затем обнаружение сообществ Louvain группирует этих похожих клиентов. Затем Feast поглощает все шесть признаков. Он материализует их в автономное хранилище SQLite для эффективного обслуживания во время вывода. Этот процесс также обеспечивает построение корректных с точки зрения времени обучающих данных.