Feature store desde cero: cinco componentes para una implementación mínima funcional

Un feature store es una capa de arquitectura que centraliza el cálculo y el almacenamiento de las features de los modelos de ML. El análisis muestra cómo montar desde cero una implementación mínima funcional y en qué puntos la era de la IA reescribe el esquema clásico.

Cinco componentes imprescindibles

Sin cualquiera de ellos aparece duplicación de código o un desajuste entre el entrenamiento y la inferencia: el problema clásico del training-serving skew.

• Ingestion pipeline: la capa de carga desde las fuentes (Kafka, S3, Postgres). Calcula las features y las escribe en el almacén.
• Offline store: datos históricos para entrenar los modelos (Parquet o Delta Lake en S3).
• Online store: almacén de baja latencia para la inferencia en tiempo real (Redis, DynamoDB).
• Feature registry: catálogo de metadatos con nombre, tipo, versión, responsable y lineage.
• Monitoring: seguimiento del drift de los datos y de la freshness de cada feature.

La implementación mínima cabe en 200–300 líneas de Python: SQLite en lugar de un offline store completo, Redis como online store y archivos YAML como registro.

Cómo se organiza la implementación mínima

Los autores proponen empezar con tres archivos. `feature_store.py` es el núcleo, con los métodos `write()` y `read()`, que abstraen la separación entre offline y online. `registry.yaml` contiene las descripciones declarativas de las features. `pipeline.py` es el script de ETL que llama a `feature_store.write()` después de cada transformación.

Esta estructura cubre la mayoría de los casos reales. Conviene complicarla solo cuando surgen requisitos concretos: inferencia de alta carga, point-in-time lookups sin data leakage o datos en streaming.

«La mayoría de los equipos sobrecomplican el feature store al empezar.

Empiecen con SQLite y YAML: se sorprenderán de hasta dónde llegan.»

Dónde la IA reescribe las reglas

El esquema clásico se construyó en torno a features numéricas y categóricas. La era de los LLM ha añadido tres requisitos nuevos.

Embeddings vectoriales. Se han convertido en features de primera clase. Es posible guardarlos en Redis, pero la búsqueda se hace por similitud, no por clave. Eso exige índices vectoriales (pgvector, Pinecone, Weaviate) y cambia el diseño del online store.

Generación automática de features. Antes, el feature engineering era un proceso manual. Ahora un LLM puede proponer una lista de features a partir de la descripción de la tarea o generar una transformación a partir de un ejemplo de datos de entrada.

Asistente LLM para el registro. La documentación de las features siempre se ha rellenado mal. Un modelo de lenguaje genera descripciones y etiquetas de forma automática analizando el código de las transformaciones, sin intervención del ingeniero.

Qué significa esto

El feature store ha dejado de ser un privilegio de las grandes plataformas de ML: se puede montar en un día con componentes open source. La IA no anula el patrón, sino que lo amplía: se suman almacenes vectoriales y metadatos asistidos por LLM. Si está construyendo un sistema de ML sin feature store, es buen momento para añadir esta capa.