Lakehouse для ML и продвинутой аналитики: подготовка признаков, feature store, эксперименты и совместная работа аналитиков и data scientists
- Введение: Lakehouse для ML и продвинутой аналитики
- Архитектура Lakehouse: хранение, вычисления и управление данными
- Подготовка признаков в Lakehouse: принципы и паттерны
- Feature Store: концепции, роли и интеграция в пайплайны FeatureStore
- Гигиена данных: качество, валидаторы, тесты и lineage
- Метаданные и каталог: поиск, документация и согласованность
- Версионирование признаков и пайплайнов
- Эксперименты и A/B-тесты: планирование и воспроизводимость
- Мониторинг инференса и качества признаков: observability и алерты
- Безопасность и соответствие: доступы, приватность и аудит
- Инструменты и стеки: Spark SQL, Delta Lake, MLflow, Airflow/Prefect
- Конвейеры подготовки признаков: DAGs и оркестрация
- Низко-латентные serving-фичи: доступ и кэширование
- Оптимизация производительности и стоимость: хранение, вычисления и масштабирование
- Совместная работа аналитиков и data scientists: процессы и коммуникации
- Лабораторные работы и кейсы: hands-on и проекты
- Финальный проект: интеграция Lakehouse, Feature Store и экспериментов
Если вы рассматриваете переход к архитектуре Lakehouse, мы поможем оценить текущую data-инфраструктуру, спроектировать целевую архитектуру и подготовить поэтапный план внедрения. Узнайте больше о Lakehouse.




