Teknogav.com - Proses menempatkan, menyimpan dan menggunakan fitur-fitur Machine Learning (ML) tidak mudah. Fitur-fitur adalah atribut atau properti yang digunakan model selama latihan dan membuat dugaan untuk membuat prediksi. Demi memudahkan proses untuk menempatkan, menyimpan dan menggunakan fitur-fitur ML, AWS menghadirkan Amazon SageMaker Feature Store. Layanan ini merupakan repositori yang memudahkan untuk menyimpan, memperbarui dan berbagi fitur-fitur ML.

Contoh penggunaan fitur adalah aplikasi ML yang merekomendasikan playlist musik. Fitur-fitur pada contoh tersebut dapat mencakup peringkat lagu, lagu yang didengarkan sebelumnya dan durasi waktu didengarkan. Keakuratan model ML tergantung dari keakuratan serangankaian dan penyusunan fitur. Sering kali fitur-fitur tersebut digunakan berulang oleh beberapa tim yang melatih beberapa model.

Serangkaian fitur yang digunakan untuk melatih model harus tersedia untuk membuat prediksi secara real-time. Menjaga satu sumber tunggal untuk fitur yang konsisten dan terkini lintas pola akses yang berbeda merupakan tantangan. Hal ini karena kebanyakan organisasi memiliki dua penyimpanan fitur berbeda, satu untuk latihan dan satu lainnya untuk membuat prediksi.

Baca juga: Amazon SageMaker Data Wrangler, Tercepat Siapkan Data untuk ML 

Pada umumnya fitur-fitur ML tak hanya dipasangkan ke satu model ML saja, tetapi ke banyak model. Selain itu terkadang dibutuhkan juga subset selain fitur. Beberapa orang pun ingin bisa mengakses fitur-fitur ML tersebut, sehingga harus bisa berbagi fitur lintas tim.  Fitur-fitur tersebut juga harus bisa tersedia untuk membuat dugaan atau kesimpulan secara real-time. Terkadang dibutuhkan satu fitur yang tak hanya untuk melatih ML tetapi juga membuat prediksi. Jadi harus bisa memastikan konsistensi fitur untuk latihan dan inferensi. Segala kebutuhan tersebut berusaha dipenuhi AWS dengan menghadirkan Amazon SageMaker Feature Store.

Berikut ini adalah beberapa fitur yang dimiliki Amazon SageMaker Feature Store

• Purpose-built dan bisa diakses dari SageMaker Studio
• Dapat dengan mudah menamai mengatur, mencari dan berbagi fitur
• Mengakses fitur dalam batch atau subset
• Latensi yang rendah untuk membuat kesimpulan

 Baca juga: AWS Paparkan Contoh-contoh Penerapan Machine Learning Pada Transformasi Digital

Amazon SageMaker Feature Store menyediakan penyimpanan yang tergabung menjadi satu untuk fitur-fitur selama latihan dan membuat prediksi secara real-time. Hal ini bisa dilakukan tanpa harus menulis kode pemrograman tambahan atau membuat proses manual untuk menjaga fitur-fitur tersebtu konsisten. Metadata dari fitur-fitur yang disimpan dapat tetap dapat dijaga pelacakannya oleh Amazon SageMaker Feature Store. Contohnya adalah nama fitur dan nomor versi. Pelacakan ini dimaksudkan agar fitur-fitur dengan atribut yang tepat dapat dikueri dalam batch atau secara real-time menggunakan Amazon Athena. Amazon Athena adalah layanan kueri yang interaktif.

Amazon SageMaker Feature Store jamin konsistensi fitur

Baca juga: Habana Gaudi dan AWS Trainium, Prosesor Pelatih Model ML Andalan

Pembaruan fitur-fitur juga terus dijaga oleh Amazon SageMaker Feature. Hal ini dilakukan karena seiring data dibuat selama membuat prediksi, repositori tunggal diperbarui. Pembaruan ini ditujukan agar fitur baru selalu tersedia untuk digunakan model selama latihan dan membuat prediksi.