Tecton

Tecton ist eine spezialisierte Feature-Store-Plattform, die Machine-Learning-Teams hilft, Features — die aufbereiteten Daten, die ML-Modelle als Eingabe verwenden — effizient zu erstellen, zu verwalten und in Echtzeit bereitzustellen. Die Plattform löst eines der größten Probleme im produktiven ML-Betrieb: die konsistente Bereitstellung von Features sowohl für das Training als auch für die Echtzeit-Inferenz, ohne den gefürchteten Training-Serving-Skew. Tecton ermöglicht die Definition von Features als Code, wobei Feature-Transformationen in Python oder SQL geschrieben und versioniert werden können.

Die Plattform unterstützt drei Berechnungsmodi: Batch-Features aus Data Warehouses, Streaming-Features aus Echtzeit-Datenquellen wie Kafka und Kinesis sowie On-Demand-Features, die zum Inferenz-Zeitpunkt berechnet werden. Das automatische Backfill-System berechnet historische Feature-Werte für Trainingssdatensätze, ohne dass separate ETL-Pipelines gebaut werden müssen. Tectons Materialization-Engine sorgt für sub-millisecond Feature-Serving bei der Inferenz und skaliert auf Millionen von Anfragen pro Sekunde.

Die Plattform bietet ein Feature-Registry mit Dokumentation, Lineage-Tracking und Wiederverwendbarkeit über Teams hinweg. Monitoring-Dashboards überwachen Feature-Freshness, Datenqualität und Serving-Latenz in Echtzeit. Tecton integriert sich nahtlos mit Snowflake, Databricks, Spark, Redshift und allen gängigen ML-Frameworks wie TensorFlow, PyTorch und scikit-learn.

Das Unternehmen wurde von ehemaligen Uber-ML-Ingenieuren gegründet, die den Feature-Store Michelangelo bei Uber entwickelt haben. Tecton bietet Cloud-Hosting auf AWS und GCP mit optionalem EU-Region-Deployment und ist DSGVO-konform nutzbar.