在设计机器学习系统时，了解静态和动态特征之间的区别很重要，因为它可能会成败您将 ML 模型发布到生产中的努力。
静态特征：
- 这些特征是由不经常变化的数据产生的。
- 这些数据很可能与你的数据模型中的维度相似。
- 数据以一定的时间间隔被刷新。例如，每2小时，每天。
- 例子。仓库中的库存属性。
动态特征：
- 数据经常变化，或者可能暂时存在一个背景。
- 数据将类似于你的数据模型中的事实或事件。
- 特征是通过聚合事件或事实实时生成的。
- 例子。用户在过去2分钟内的点击次数。
案例：
- 所有的数据最终都是实时产生的，所以在这个例子中，我们从CDC流中收集数据，或者直接从应用中发射事件。我们将这些数据推送到Kafka主题。
- 数据被推送到一个对象存储中，以加载到数据仓库。
- 数据被加载到数据仓库中，进行转换。
- 我们对数据仓库内的数据进行建模，为特征工程做准备。
- 我们将所需的数据检索到ML管道中，该管道生成一个模型工件并将其推送到模型注册中心。
- 我们执行相同的特征工程逻辑，并将批量特征推送到低延迟的存储中，如Redis。
- 如果我们需要实时动态特征--我们用Flink应用实时执行ML管道中的特征工程。
- 我们将生成的特征推送到Redis。
现在我们可以从模型注册表中部署模型并从 Redis 中获取所有特征了
