فراتر از LLM: هر محصولی که «تصمیم با داده» میگیرد — پیشنهادگر، تشخیص تقلب، جستجو — یک سیستم ML است با چرخه عمر: داده → ویژگی → آموزش → سرو → بازخورد. این درس همان چرخه را به زبان سیستمدیزاین میگوید.
Feature Store: قرارداد بین آموزش و سرو
- مسئله: ویژگی «میانگین خرید ۳۰ روز اخیر کاربر» باید در آموزش (آفلاین، روی تاریخچه) و در سرو (آنلاین، در میلیثانیه) یکسان محاسبه شود؛ وگرنه training-serving skew مدل را خراب میکند.
- راهحل: Feature Store با دو سطح — آفلاین (lake/warehouse برای آموزش دستهای) و آنلاین (KV کمتأخیر مثل Redis/Dynamo برای سرو همزمان) — با تعریف ویژگی یکبار و یکسان برای هر دو.
- Point-in-time correctness: هنگام ساخت دیتاست آموزش، ویژگیها باید «تا لحظه رویداد» محاسبه شوند، نه با داده امروز — وگرنه نشتی از آینده (leakage) مدل را دروغین خوب نشان میدهد.
دیتابیس برداری و ANN
Embedding
نگاشت متن/تصویر/کاربر به برداری در فضای چندصدهُبُعدی؛ «نزدیکی» = شباهت معنایی. مدل embed باید بین ایندکس و کوئری یکی باشد وگرنه فضاها قابل مقایسه نیستند.
ANN — HNSW
گراف چندلایه که با پرشهای محلی همسایه نزدیک را پیدا میکند: رایجترین ایندکس؛ تطبیق حافظه/سرعت/دقت با پارامترها. جایگزینها: IVF (خوشهبندی)، quantization (فشردهسازی بردارها برای حافظه).
فیلتر متادیتا
در عمل جستجو همیشه با قید است (tenant ،زبان، موجودی): یا pre-filter یا post-filter — انتخابش روی recall اثر دارد؛ موتورهای مدرن (pgvector ،Qdrant ،Milvus ،Elasticsearch kNN) هر دو را بهینه کردهاند.
سرو و بازخورد
- دو مسیر پیشبینی: آنلاین (real-time ،p99 میلیثانیهای، کش ویژگی و حتی کش نتیجه) در برابر دستهای (امتیازدهی شبانه به همه کاربران، ذخیره در KV برای سرو سریع — پیشنهادگرهای چرخهآرام همینطوراند).
- کنیبالیزه نشدن: نسخه جدید مدل با shadow traffic (فصل ۱۴، تست) یا A/B واقعی سنجیده میشود؛ متریک محصول (کلیک/خرید) حرف آخر است نه فقط متریک مدل (accuracy).
- حلقه بازخورد: رفتار کاربر (کلیک، نادیدهگرفتن) داده آموزشی بعدی است — یعنی pipeline ایونت (Kafka فصل ۴) → پردازش → دیتاست. همین حلقه، سیستم را زنده نگه میدارد — و drift را معنی میدهد: وقتی توزیع داده زنده از داده آموزش دور شود، کیفیت بیصدا میمیرد؛ پس مانیتورینگ drift (فصل ۱۵) جزئی از سرویس است.
DIAGRAMچرخه ML در production
ایونتها — Kafka
→
پردازش + Feature Store
→
آموزش — آفلاین
→
Registry — نسخه مدل
→
سرو — آنلاین + کش
→
نتیجه محصول — بازخورد
به زبان ساده
سیستم ML یعنی چرخه دائمی: داده → ویژگی → آموزش → سرو → بازخورد؛ و Feature Store تضمین میکند «میانگین خرید ۳۰ روز» در آموزش و سرو یکی محاسبه شود.
مثال واقعی
مثل آشپزی با دستور ثابت: اگر مواد در تمرین (آموزش) با ترازوی گرم و در رستوران (سرو) با ترازوی اونس وزن شود، طعم غذا فرق میکند — همان training-serving skew.