“特征存储”（Feature Stores）虽名称晦涩，却是企业与消费者日常AI系统不可或缺的组件。正因如此，该领域正吸引越来越多风投关注，被视为未来持续增长的市场机会。
一、什么是特征存储？
AI系统由多个组件构成，“特征”即其中充当输入的独立变量。可将特征理解为表格中的列（属性），用于描述作为行的示例数据。例如，垃圾邮件检测工具可能将邮件正文词语或发件人信息作为特征。
在单个AI系统中，特征处理往往是临时性的；但在企业规模下，当需维护数十甚至数千个系统时，集中管理和追踪特征便成为刚需。“特征存储”由此应运而生——它是由Uber于2017年首次提出的集中式仓库，用于组织、存储和提供AI依赖的特征，为不同团队构建与共享特征提供统一平台。
Tecton.ai首席执行官迈克尔·德尔巴索（Michael Del Balso）表示：“特征存储位于数据与机器学习的交汇点，是MLOps栈不可或缺的一部分。它们使数据团队能利用实时数据快速构建高质量特征，并在生产中支持实时推理，充当了数据与AI模型之间的接口。”
除基础数据库功能外，特征存储还允许工程师查看特征统计信息（如使用频次、位置及对模型的影响），并支持无代码转换数据（如聚合餐厅订单数据以获取“过去30分钟订单量”）。德尔巴索补充道：“高级特征存储可自动化生产管道，从批量及实时源收集、转换数据并存入离线/在线存储，同时内置监控功能以跟踪管道健康、数据漂移及服务等级。”
二、市场增长与投资热潮
特征存储有望促进团队协作并简化AI开发流程。随着需求攀升，科技巨头与初创公司纷纷布局，投资者亦热情加持：
- Tecton自2019年以来已获6000万美元融资，投资方包括Andreessen Horowitz和Sequoia Capital；
- 竞争对手Rasgo和Molecula各获约2000万美元风投；
- Google、AWS以及Databricks、Splice等后期AI平台也提供了相关解决方案。
Rasgo联合创始人兼CEO贾里德·帕克（Jared Parker）指出：“投资者看到各行业正通过ML/AI创造新收入，明白需提供相应基础设施。特征存储提供了将模型快速投产的加速路径，同时实现数据管道的集中化、协作与治理。”
MLOps的繁荣进一步推动了该领域增长。据Cognilytica数据，全球MLOps平台市场（含特征存储）价值预计2025年达40亿美元，远高于2019年的3.5亿美元。
三、拥抱“运营式机器学习”
增长信号表明，企业在经历多年AI部署困境后，开始拥抱“运营式机器学习”。Forrester 2020年研究显示，41%的公司面临模型运营化挑战且缺乏相应流程；2019年白皮书更指出，即便优先投入AI，仍有约85%的项目最终失败。
德尔巴索解释道：“运营式机器学习指在生产环境运行ML以支持客户应用及自动化业务流程，涵盖欺诈检测、实时定价、推荐系统等场景。这是未来趋势，擅长此道的企业将获得显著竞争优势。”
四、未来展望：云端化与智能化
展望未来，德尔巴索看好两大方向：一是利用云技术使基于公共数据（如天气、股价）的特征广泛可用；二是强化自动化，帮助建议复用现有特征或按需创建新特征。这与德勤《2021年技术趋势》报告观点一致，即特征存储未来或能根据数据类型预测特征需求，通过降低延迟提升AI性能。
“理想状态下，数据科学家只需说明预测目标，特征存储便能自动建议或构建最具预测性的特征。”德尔巴索说。
帕克则强调，数据转换与特征管理是释放AI全部价值的关键前沿。“模型质量取决于数据，许多项目因数据准备耗时过长而夭折。市场正致力于解决这一痛点，通过特征存储加速流程，将更多模型投入生产，最终实现AI承诺。”