SageMaker Feature Store 新增批次寫入與記錄探索

#batch-writing#feature-discovery#feature-engineeringamazon-sagemaker-feature-storeamazonamazon-sagemakerfeature-store

💡了解兩個新 API 如何簡化 SageMaker 特徵資料擷取與記錄探索。

⚡ 30-Second TL;DR

有什麼變化

BatchWriteRecord 單次 API 呼叫最多支援寫入 25 筆記錄。

為什麼重要

這些 API 可減少特徵資料擷取所需的呼叫次數，並簡化記錄探索流程。管理離線至線上特徵管線的開發者，可透過更有效率的批次操作與更簡便的記錄檢視獲益。

下一步行動

在你的 SageMaker Feature Store 資料擷取管線中測試 BatchWriteRecord，並使用 ListRecords 驗證寫入後的記錄識別碼。

誰應關注：Developers & AI Engineers

背景與延伸：來自公開資料，非原文內容。引用 9 個來源。

•BatchWriteRecord API 支援在單次請求中設定個別記錄、請求層級或特徵群組層級的存活時間 (TTL)，提供更細緻的資料生命週期管理。
•批次寫入機制具備容錯設計，若部分記錄寫入失敗，API 會回傳個別記錄的錯誤狀態，而非導致整個批次請求失敗。
•離線儲存功能新增自訂 AWS Glue 與 Apache Iceberg 資料表名稱的選項，增強與外部資料目錄的整合彈性。
•自 2026 年 5 月起，SageMaker Feature Store 已全面支援 SageMaker Python SDK v3，提升模組化效能並強化對 Lake Formation 存取控制的支援。
•透過與 AWS Lake Formation 整合，使用者可在建立特徵群組時直接啟用離線儲存資料的欄位級與列級存取控制。

📊 競品分析▸ Show

特色	Amazon SageMaker Feature Store	Google Cloud Vertex AI Feature Store	Databricks Feature Store
架構	完全託管，深度整合 AWS 生態	完全託管，整合 BigQuery/Vertex AI	基於 Delta Lake，整合 Spark 生態
定價模式	按寫入/讀取請求與儲存量計費	按節點/儲存量與 API 呼叫計費	隨 Databricks 計算資源與儲存計費
批次處理	支援跨群組批次寫入	支援批次匯入與串流同步	支援批次特徵計算與寫入