Feature store
Un feature store calcule, versionne et fournit les entrées de modèle utilisées lors de l'entraînement et en production, garantissant que les deux voient la même définition d'une feature. Il élimine le décalage entraînement-servabilité, la cause silencieuse la plus courante des modèles qui se dégradent après le lancement.
Pourquoi c'est important pour l'ARPU
Les décisions ne sont fiables que si les caractéristiques qui les sous-tendent le sont, et une couche de decisioning qui ne peut pas reproduire ses propres entrées ne peut pas expliquer ses propres résultats.
Termes associés
Modèle de propensionUn modèle de propension estime la probabilité qu'un client entreprenne une action, telle qu'acheter, mettre à niveau ou annuler.SignalUn signal est un changement observé dans le comportement des clients, l'état du produit, la santé des paiements ou le contexte du marché qui contient des informations sur les revenus futurs.Real-time decisioningLe real-time decisioning évalue le contexte actuel d'un client et renvoie une action dans le budget de latence du moment, généralement quelques dizaines de millisecondes dans une application ou un appel.Provenance des hypothèsesLa provenance des hypothèses est la chaîne complète et inspectable derrière une décision : quels signaux l'ont soulevée, quelle analyse l'a dimensionnée, qui ou quoi a écrit l'hypothèse, quelle expérimentation l'a testée, et quel a été le résultat causal.