Feature Store

مخزن السمات هو نظام بيانات يعرّف سمات مدخلات نماذج التعلّم الآلي ويحسبها ويخزنها ويقدمها، بحيث يرى النموذج قيم السمات نفسها في التدريب وعند إجراء التنبؤات المباشرة. والسمة إحدى مدخلات النموذج، مثل عدد معاملات البطاقة في الساعة الماضية، أو متوسط تقييم منتج، أو تضمين صورة. يحتفظ المخزن بتعريف كل سمة مع سجلها الكامل في مخزن غير متصل لبناء مجموعات التدريب، وبأحدث قيمة لها في مخزن متصل لإجراء عمليات بحث سريعة وقت التنبؤ. وصفت Uber مخزن سمات مشتركًا في منشورها لعام 2017 عن منصة التعلّم الآلي Michelangelo. ثم ظهر Feast، وهو مخزن سمات مفتوح المصدر بدأته Gojek بالتعاون مع Google Cloud، وتبعته مخازن سمات مُدارة في Amazon SageMaker وGoogle Vertex AI وAzure Machine Learning وDatabricks.

آلية عمل مخزن السمات#

تبدأ السمات من الأحداث والجداول الخام، وتحولها خطوط المعالجة إلى مدخلات للنموذج عبر هندسة السمات، مثل حساب معاملات البطاقة ضمن نافذة متحركة مدتها ساعة، أو عبر استخراج السمات باستخدام شبكة عصبية. وينظم مخزن السمات هذا العمل في بضعة مكونات:

• سجل السمات: يتضمن اسم كل سمة ومفتاح الكيان (العميل أو البطاقة أو المنتج أو الكاميرا التي تصفها) ونوع البيانات ورمز التحويل والمالك والإصدار، ويكون قابلًا للبحث كي تعيد الفرق استخدام السمات بدلًا من إعادة بنائها.
• المخزن غير المتصل: يحتفظ بكل قيمة تاريخية مع طابعها الزمني للحدث في مستودع بيانات أو بحيرة بيانات، ويُستخدم لبناء مجموعات التدريب وتشغيل التقييم الدفعي.
• المخزن المتصل: يحتفظ بأحدث قيمة لكل كيان في قاعدة بيانات مفتاح-قيمة مثل Redis أو DynamoDB، وتُقرأ القيم خلال بضعة أجزاء من الثانية أثناء الاستدلال.
• إضفاء الطابع المادي: مهام دفعية أو متدفقة تحسب قيمًا جديدة وتنسخ أحدثها من المخزن غير المتصل إلى المخزن المتصل.

عند إجراء التنبؤ، ترسل خدمة مثل خدمة التحقق من الاحتيال معرّف البطاقة، وتتلقى الميزات الحالية للبطاقة من المتجر الإلكتروني، ثم تمررها إلى النموذج، مع الحفاظ على زمن استدلال منخفضًا بما يكفي لإجراء الاستدلال الآني أثناء إتمام عملية الدفع.

الصحة عند نقطة زمنية محددة#

يجب أن يستخدم كل صف تدريب قيم الميزات كما كانت وقت وقوع الحدث المُصنَّف. تحمل القيمة المحسوبة لاحقًا معلومات من المستقبل، وهو شكل من تسرّب البيانات يجعل النموذج يبدو دقيقًا في التقييم غير المتصل، لكنه يفشل في الإنتاج. تمنع مخازن الميزات ذلك باستخدام عمليات الربط عند نقطة زمنية محددة، التي تطابق كل تصنيف بأحدث قيمة للميزة عند الطابع الزمني للتصنيف أو قبله، للكيان نفسه. تنفّذ دالة pandas merge_asof عملية الربط نفسها:

import pandas as pd

# ⁨المخزن غير المتصل: عدد معاملات كل بطاقة خلال الساعة الماضية، مسجلًا على مدار الوقت⁩
features = pd.DataFrame(
    {
        "card_id": ["A", "B", "A", "A"],
        "time": pd.to_datetime(["2026-10-01 09:00", "2026-10-01 10:00", "2026-10-01 12:00", "2026-10-01 15:00"]),
        "txn_count_1h": [1, 2, 4, 9],
    }
)

# ⁨الأحداث المصنّفة المراد التدريب عليها: هل كانت كل معاملة احتيالية؟⁩
labels = pd.DataFrame(
    {
        "card_id": ["B", "A"],
        "time": pd.to_datetime(["2026-10-01 11:00", "2026-10-01 13:30"]),
        "is_fraud": [0, 1],
    }
)

# ⁨الربط عند نقطة زمنية محددة: يحصل كل تصنيف على أحدث قيمة لميزة بطاقته عند وقت الحدث أو قبله⁩
training_rows = pd.merge_asof(labels, features, on="time", by="card_id")
print(training_rows)

يحصل تصنيف الاحتيال لبطاقة A عند الساعة 13:30 على العدد 4 المسجل عند الساعة 12:00، ولا يدخل العدد 9 المسجل عند الساعة 15:00، بعد المعاملة، في مجموعة التدريب. ويحصل تصنيف البطاقة B عند الساعة 11:00 على قيمتها الخاصة البالغة 2، لأن الوسيطة by تطابق الصفوف بحسب مفتاح الكيان.

الاختلاف بين التدريب والتقديم#

الاختلاف بين التدريب والتقديم هو فجوة بين الميزات التي دُرّب عليها النموذج والميزات التي يتلقاها في الإنتاج. ويظهر عندما تحسب مهمة SQL دفعية ميزات التدريب، بينما تحسب شفرة تطبيق مكتوبة على نحو منفصل ميزات التقديم، ويختلف الاثنان في المناطق الزمنية أو حدود النوافذ أو الوحدات أو طريقة ملء القيم المفقودة. تخصص قواعد تعلّم الآلة من Google قسمًا لهذا الاختلاف، وتوصي بتسجيل الميزات المستخدمة وقت التقديم كي تتمكن عمليات التدريب اللاحقة من استخدام القيم نفسها تمامًا. يزيل مخزن الميزات مسار الشفرة المكرر بحساب كل ميزة مرة واحدة انطلاقًا من تعريف واحد للاستخدامين، ويسجل حداثة كل ميزة وقيمها المفقودة وانحراف البيانات فيها، حتى تتمكن مراقبة النماذج من تتبّع تراجع الدقة إلى مُدخل معطوب.

مخزن الميزات مقارنةً بالأنظمة ذات الصلة#

• بحيرة البيانات: تحتفظ بالملفات الأولية والمعالجة بأي تنسيق. توجد مخازن كثيرة غير متصلة داخل بحيرة، ويضيف مخزن الميزات إليها مفاتيح الكيانات والطوابع الزمنية والاسترجاع عند نقطة زمنية محددة والتقديم عبر الإنترنت.
• قاعدة بيانات المتجهات: تعثر على التضمينات المخزنة الأكثر تشابهًا مع متجه الاستعلام. يبحث مخزن الميزات عن القيم باستخدام معرّف الكيان، وقد يحتفظ بالتضمينات بوصفها ميزة واحدة إلى جانب الأعداد والمتوسطات والفئات.
• سجل النماذج: يدير إصدارات النماذج المدرّبة والبيانات الوصفية الخاصة بها، بينما يدير مخزن الميزات إصدارات المُدخلات التي تستهلكها تلك النماذج.
• تقديم النماذج: يشغّل النموذج خلف API ويستدعي المخزن المتصل لاسترجاع الميزات لكل طلب.

ميزات مستمدة من الرؤية الحاسوبية#

تحوّل تحليلات الفيديو تدفقات الكاميرات إلى ميزات للتنبؤ وكشف الحالات الشاذة والنمذجة التنبؤية: مثل أعداد الزوار بالساعة عند مدخل متجر، أو أطوال الطوابير عند صناديق الدفع، أو معدلات العيوب لكل خط إنتاج، مع ربط كل قيمة بمعرّف الكاميرا أو الخط وطابعها الزمني. في قطاع التجزئة، يزوّد عدّ الأشخاص نماذج التوظيف والطلب بالبيانات، وفي التصنيع، تغذي أعداد العيوب لكل مناوبة نماذج الصيانة. ينتج عدّ الكائنات باستخدام Ultralytics YOLO هذه القيم مباشرةً: إذ يتتبّع كل كائن مكتشف عبر الإطارات، ويعيد إجماليي in_count وout_count المتراكمين والأعداد لكل فئة عند عبور الكائنات خطًا أو منطقة، لتكون جاهزة للكتابة في مخزن الميزات كقيم مؤرخة لكل كاميرا.