Feature store

¿Qué es un feature store?

En machine learning, las «features» son las columnas que le das al modelo: la edad de un usuario, los pedidos de los últimos 30 días, el precio de un producto. Un feature store es un almacén que guarda todas esas features en un solo sitio, gestionado de forma central. Entrenamiento y servicio en producción leen del mismo fondo: quien necesita una feature, va y la coge.

¿Qué dolor de fondo resuelve?

Desajuste entre entrenamiento y producción
Calculas las features con un script para entrenar y las recalculas con otra lógica al desplegar. No cuadran, y el rendimiento en vivo del modelo se cae. Un feature store las guarda en un solo sitio para que entrenar y servir lean lo mismo.
Reinventar la rueda
La misma feature la escribe cada equipo por su cuenta, lento y con bugs. Centralízala, calcúlala una vez y úsala en todas partes.
Features difíciles de reutilizar y gobernar
Las features desperdigadas por scripts cuestan de encontrar, cambiar o rastrear. Un feature store les da un hogar, más versionado y linaje.

¿Qué pinta tiene uno?

Almacén online
Servir exige baja latencia, así que las features viven en una base en memoria como Redis — se recuperan en milisegundos.
Almacén offline
Los grandes lotes históricos para entrenar van a un data warehouse o a almacenamiento de objetos.
Registro de features
Guarda la definición, el origen y la versión de cada feature, para que sea fácil descubrirlas y reutilizarlas.

¿Cuándo recurrir a uno?

Cuando notas que tu equipo calcula «la misma feature» varias veces, o que los modelos entrenan bien pero se rompen en producción, un feature store suele ser la solución. Es una pieza cada vez mayor de la infraestructura de MLOps.

En resumen: un feature store es el almacén central de las features — un solo sitio para entrenar y servir, calcula una vez, usa en todas partes, y sin desajustes entre online y offline.