前面所說的 Asynchronous Features 通常我又稱 Batch Features，這類 Batch Features 的特點是：

• 適合大量的、不需要實時反饋的數據處理
• 通常在特定時間點或按預定計劃執行。
• 資源使用通常更為高效。

這類 Feature 常用技術框架就是 Snowflake, Spark 和 Hadoop MapReduce，並透過 Airflow 來達到流程自動化與調度，當然如果能透過先前介紹的 dbt 來管理，更可以減少實驗與 Serving 的連接

Airflow

Apache Airflow 是一個廣泛使用的工作流程自動化和調度平台。在數據工程領域，Airflow 通常用於 ETL 任務，資料整合，以及批次處理，他有一下優點

• 透過有像圖 (DAG) 管理任務，除了調度時間外提供很好的相依性管理
• 豐富的 Extension
• 完整的監控日誌

什麼樣的特徵是合作 Async Features

基本上能接受一天以上的延遲的特徵都可以做成 Features，當然如果透過 Apache Hudi (Hadoop Upserts Deletes and Incrementals) 而不是用原本的 Apache Hive 是可以達到小時級的延遲

事實上我覺得在製作特徵的時候，都應該去思考我的特徵是不是真的有這麼強的實時需求，如果沒有，我認為大多的特徵都應該更傾向於製作成 Async Feautre 而不是 Sync Feature，原因如下

• 分散式計算更好地利用計算資源，Pipelien Stability 更好，也能更快的計算出來
• Drift 可控制，訓練用的資料和測試的資料不太會有 discrepancy
• 良好的 Pattern 下花費在儲存資源的開銷會更少
• 較容易設計錯誤狀況處理流程

但有沒有可能所有的特徵我們都透過 Async 來處理呢？明天我們透過 Feature Store 來嘗試回答這個問題 ...