用户使用软件或浏览网页时，在搜广推这样的使用场景中，会看到不同于别人且符合自己兴趣的内容，这就用到了机器学习的技术。
机器学习服务用户的应用有三个过程。一是做特征和样本数据，二是用样本数据训练模型，三是加载模型和模型读取特征数据做预估。
在正式使用场景中，需要确保预估效果的精准和稳定。例如购物软件在商品推荐的场景中，模型预估的结果是推荐给用户的商品，如果预估不准，用户不感兴趣，直接影响是收入的下降。
特征平台是一个数据平台，解决机器学习在生产环境应用过程中管理和构建数据的高成本问题。
特征平台提供高质量的特征和样本数据，用来训练出更好的模型，更好的模型能提高预估质量。
特征平台承担算法工程师管理和生产特征与样本数据的工作内容，让算法工程师有更多的时间专注于做出更好的模型。
特征平台提供高效的特征读取方式，模型预估服务能低延时的读取到特征数据，尽快得出预估结果。
高质量数据的定义：高效编码、准确、新鲜。
高效编码：特征平台对原始特征数据做特征工程，特征工程就是对原始特征数据做编码，编码后的数据更精简且能被机器学习框架读取。对特征工程不太准确的类比是高级语言被编译为机器码的过程，CPU 只能处理机器码。
准确：模型训练读取的样本数据包含的特征需要是预估时模型读取的特征。
新鲜：预估服务读取的特征数据包含最新信息，如用户最新的行为。预估服务用到的模型是使用最新的样本数据训练得到的。使用流式任务实时产出最新的特征和样本数据。
提高算法工程师的效率
- 管理特征和样本数据。提供一个 Web 服务，用户在网页注册特征和样本信息，也可以探索和复用已有的特征与样本信息。查看自己名下特征和样本数据的详情，如数据质量、数据大小、数据产出时间、数据间的关联关系等。
- 产出特征和样本数据。平台根据用户注册的特征和样本的元信息，创建对应的 Spark 批处理任务或 Flink 流式任务产出特征和样本数据。
提高模型预估服务读取特征的效率
- 从高性能存储系统读特征数据。高性能存储系统具有低延迟、负载均衡、多备份、高可用的特性。
- 数据读取 API。模型预估服务调用平台提供的 API 可以很方便地获取模型所需要的特征数据。
- 什么是特征平台, by featurestore.org
- 领英用于高效机器学习的特征平台, by LinkedIn Engineering Blog