I IT 面试题库
线上线下特征不一致(training-serving skew)是怎么产生的?如何用特征平台/一致性管道治理?
高级故障排查题算法工程师机器学习工程师MLOps工程师特征工程training-serving-skew特征平台MLOps
题目
考察 ML 生产化最易踩的坑:训练与推理特征来源不同导致效果掉档。
参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 26 天前更新
要点:
- 成因:训练特征来自离线批处理(Spark/Hive SQL),线上推理特征由在线服务用另一套代码实时算——两边逻辑(口径/时区/缺失默认值/字典版本)稍有差异,模型在线上就「吃到假特征」,效果断崖。
- 典型诱因:① 同一特征训练/线上各写一遍,改了一边忘改另一边;② 实时特征用的是「当前值」而训练用的是「历史快照」,存在时间错位;③ 类别映射表/词典版本不一致(如新城市没在线上词典里)。
- 治理手段:特征平台统一注册 + 离线在线同一份计算逻辑(如 Feast/TFX 的特征定义一次、双端复用),把特征当作「物」管理,训练从特征库回溯、线上从特征库读取,杜绝双份实现。
- 校验兜底:上线前做特征一致性校验(抽样比对离线回溯值与线上实时值),并在监控里加「特征分布漂移告警」;CI 中把特征转换代码做成共享库/Pipeline,训练和推理都必须 import 同一份。
- 参考实践:Google 的 Continuous Delivery for ML(CD4ML)强调特征/模型/代码的统一交付与可复现。
题目与答案就在本页;收藏、批注和错题重练在应用内