Feature Store mit Feast aufgebaut: 200+ wiederverwendbare Features für alle ML-Projekte im Unternehmen. Einmal berechnet, überall genutzt. Ein Feature wie 'Customer Lifetime Value (30 Tage)' wird jetzt von 4 verschiedenen Modellen verwendet - konsistent und ohne Duplikation.
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
5 months ago
4 months ago
In response Nina Lorenz to her Publication
Hast du für die Implementierung ein bestimmtes Pattern verwendet? Wir diskutieren gerade ob Event-Driven oder Request-Response besser passt.
4 months ago
In response Nina Lorenz to her Publication
Bei uns hat sich der Aufwand innerhalb von 3 Monaten amortisiert. Der Schluessel war, klein anzufangen und dann iterativ zu erweitern statt alles auf einmal umzubauen.
4 months ago
In response Nina Lorenz to her Publication
Wie handhabt ihr das Monitoring? Wir nutzen eine Kombination aus Prometheus für Metriken und Jaeger für Distributed Tracing.
4 months ago
In response Nina Lorenz to her Publication
Das Thema Automation ist bei uns Top-Priorität für Q2. Dein Beitrag gibt mir gute Argumente für das Budget-Meeting nächste Woche.
4 months ago
In response Nina Lorenz to her Publication
Das kann ich bestätigen. Wir sind den gleichen Weg gegangen und haben nach 6 Monaten gemessen: 30% weniger Incidents, 40% schnellere Deployments. Die Investition hat sich klar rentiert.
4 months ago
In response Nina Lorenz to her Publication
Nutzt ihr für das Deployment Blue-Green oder Canary? Wir sind von Blue-Green auf Canary umgestiegen und haben damit deutlich mehr Kontrolle.
