HƯỚNG DẪN KỸ THUẬT

Tính năng chính xác tại thời điểm tham gia

Phép nối tại thời điểm truy xuất các giá trị đối tượng hợp lệ tại hoặc trước dấu thời gian dự đoán hoặc nhãn cho mỗi hàng thực thể.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của tính năng chính xác tại thời điểm tham gia
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Nó ngăn chặn một dạng rò rỉ tạm thời quan trọng, nhưng không thể phát hiện mọi lỗi về kỹ thuật tính năng, định nghĩa nhãn hoặc thời gian sẵn sàng.

Lặn sâu

Đối với một ví dụ đào tạo gắn liền với một sự kiện tại thời điểm T, việc tham gia tại thời điểm sẽ chọn quan sát tính năng đủ điều kiện mới nhất cho cùng một thực thể có dấu thời gian sự kiện tại hoặc trước T, tùy thuộc vào khoảng thời gian xem lại đã định cấu hình. Thao tác này sẽ xây dựng lại lịch sử thời gian sự kiện thay vì nối mọi ví dụ với ảnh chụp nhanh mới nhất có sẵn khi công việc đào tạo chạy. Do đó, bảng tính năng cần có khóa thực thể ổn định, dấu thời gian sự kiện có ý nghĩa và đủ lịch sử để trả lời truy vấn. Thời gian sự kiện và thời gian sẵn có không phải lúc nào cũng giống nhau. Sự kiện nguồn có thể xảy ra trước T nhưng đến muộn hoặc một giá trị có thể được sửa hoặc chèn lấp sau T. Nếu quá trình đào tạo sử dụng giá trị được tạo sau đó thì giá trị đó có thể không khớp với những gì hệ thống trực tuyến có thể phân phát khi đó. Feast ghi lại cài đặt filter_by_created_timestamp tùy chọn cho các cửa hàng được hỗ trợ để hạn chế dấu thời gian đã tạo cũng như thời gian sự kiện; tài liệu của nó lưu ý rằng dấu thời gian được tạo bằng NULL bị loại trừ và không phải tất cả các cửa hàng đều hỗ trợ cờ. Đây là một biện pháp bảo vệ bổ sung, không phải là tài sản chung của mọi hoạt động tham gia. Việc kết nối theo thời điểm cũng không thể khắc phục sự rò rỉ đã được nhúng trong một tính năng, chẳng hạn như số lượng được tính toán bằng cách sử dụng các sự kiện trong tương lai, trường bắt nguồn từ nhãn hoặc điểm cắt dự đoán sai. Các kỹ sư phải chọn dấu thời gian phù hợp với quyết định thực tế, kiểm tra logic nguồn và chuyển đổi, đồng thời kiểm tra các hàng đại diện dựa trên các ví dụ lịch sử đã biết. So sánh việc truy xuất đào tạo ngoại tuyến với các giá trị tính năng có sẵn trực tuyến. Ghi lại múi giờ, chính sách sự kiện muộn, TTL và hành vi chèn lấp. Việc tham gia với cơ chế chính xác vẫn có thể sai nếu những đầu vào đó mã hóa dòng thời gian sai.

Triển khai trong thế giới thực

Mô hình gian lận thực hiện giao dịch từ ngày 3 tháng 3 bằng cách sử dụng số dư tài khoản và số lượng giao dịch của khách hàng như được tính vào ngày 3 tháng 3, chứ không phải số dư hiện tại của khách hàng kể từ khi lấy dữ liệu ngày hôm nay.

Mô hình rời bỏ không được đào tạo về tính năng 'tổng số lần mua hàng trọn đời' được tính sau ngày rời bỏ, vì số lượng đó sẽ bao gồm các giao dịch mua mà khách hàng thực hiện sau khi rời bỏ.

Cửa hàng tính năng ghi lại dấu thời gian với mọi giá trị tính năng mà nó lưu trữ, do đó, quy trình đào tạo có thể yêu cầu các giá trị tính năng chính xác theo thời gian của mỗi sự kiện thay vì các giá trị mới nhất.

Một hệ thống đề xuất kiểm tra lại mô hình xếp hạng bằng cách sử dụng điểm phổ biến của mặt hàng giống như ba tháng trước, thay vì điểm phổ biến ngày nay, để mô phỏng một cách chính xác những gì mô hình sẽ thấy khi đó.

Tương lai của tính năng chính xác tại thời điểm tham gia

Các cửa hàng tính năng tiếp tục thêm API để truy xuất lịch sử và sửa dữ liệu, nhưng tính chính xác tại thời điểm là thuộc tính của toàn bộ đường dẫn dữ liệu chứ không phải là nhãn mà chức năng nối có thể tự đảm bảo. Khi luồng công việc phát trực tiếp và chèn lấp phát triển, hãy giữ nguyên dấu thời gian của sự kiện và quá trình tạo, kiểm tra ngữ nghĩa của cửa hàng được hỗ trợ và so sánh các vectơ lịch sử với các giá trị trực tuyến được ghi lại. Chạy lại kiểm tra rò rỉ sau khi thay đổi thời gian nhãn, logic tính năng hoặc chính sách dữ liệu trễ và ghi lại các cảnh báo dành riêng cho phần phụ trợ khi chính sách lưu giữ nguồn thay đổi định kỳ.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Point-in-Time Correct Feature Joins quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Tham gia tính năng chính xác theo thời điểm là gì?

Phép nối tại thời điểm truy xuất các giá trị đối tượng hợp lệ tại hoặc trước dấu thời gian dự đoán hoặc nhãn cho mỗi hàng thực thể. Nó ngăn chặn một dạng rò rỉ tạm thời quan trọng, nhưng không thể phát hiện mọi lỗi về kỹ thuật tính năng, định nghĩa nhãn hoặc thời gian sẵn sàng.

Việc tham gia đúng thời điểm sẽ ngăn ngừa vấn đề gì?

Việc tham gia vào thời điểm diễn ra sự kiện sẽ loại trừ các hàng tính năng được đánh dấu thời gian sau ví dụ. Nó ngăn chặn hình thức rò rỉ sự kiện trong tương lai này; Có thể cần phải lọc riêng thời gian sẵn có đối với trường hợp đến muộn hoặc lấp đầy.

Tại sao việc đào tạo mô hình rời bỏ về tính năng 'tổng số lần mua trọn đời' được tính toán sau ngày rời bỏ lại là một vấn đề?

Một tính năng được tính toán sau sự kiện sẽ rò rỉ thông tin trong tương lai mà mô hình sẽ không bao giờ thực sự có khi đưa ra dự đoán thực sự.

Ngoài khóa thực thể, dấu thời gian nào cho phép tra cứu tính năng lịch sử biết giá trị thời gian sự kiện nào cần truy xuất?

Việc nối lịch sử cần có dấu thời gian trên quan sát đối tượng và ví dụ về dự đoán hoặc nhãn để chọn giá trị tại thời điểm đó.

Đối với mỗi hàng được gắn nhãn, giá trị tính năng nào sẽ được chọn khi tham gia chính xác?

Một lần tham gia tại thời điểm sự kiện cơ bản sẽ chọn hàng tính năng mới nhất được đánh dấu thời gian tại hoặc trước ví dụ; thời gian sẵn có có thể yêu cầu bộ lọc dấu thời gian được tạo bổ sung.

Hướng dẫn mô tả lỗi gì khi tham gia vào ảnh chụp nhanh hiện tại của bảng tính năng?

Kết nối ảnh chụp nhanh hiện tại sẽ bỏ qua khi giá trị thay đổi, do đó, nó có thể rò rỉ các bản cập nhật sau sự kiện vào dữ liệu huấn luyện.