Lyft的特征存储是其数据平台的核心基础设施，专为大规模机器学习特征的管理和部署优化。该系统通过批处理、在线和流式处理三种方式，简化了特征的生命周期管理，确保特征的一致性和高效访问。在线服务层结合DynamoDB和ValKey缓存，实现低延迟特征检索。系统还支持特征发现、版本控制和数据质量管理，显著提升了ML模型的开发效率和用户体验。

Zalando利用LLM作为评估员，自动化检测新市场搜索质量。通过NER标签聚类和LLM翻译复用现有市场搜索场景，构建多语言测试集。基于GPT-4o的视觉-文本评估框架可快速定位产品属性错误、NER识别缺失等问题，单次评估仅需250美元，5小时内完成1500个搜索场景的验证。该方案在葡萄牙、希腊等新市场落地前有效识别了词形还原、术语歧义等关键问题。

如何简化数据工作流程并推动业务成功？

Shopify shares some of the lessons we learned and solutions we built in order to run Airflow at scale.

We will focus on comparing Airflow and Flyte implementations at Lyft: dive into the architecture and summarize its benefits and drawbacks.